Në moshën shtatë muajshe, shumica e fëmijëve kanë mësuar se objektet ekzistojnë akoma edhe kur ato nuk mund të shikohen.Vendosni një lodër nën një batanije dhe një fëmijë aq i rritur për t’a ditur, do ta dijë se është ende atje dhe që ai mund të futet nën batanije për ta marrë atë përsëri. Kjo është “qëndrueshmëria e objektit”, një arritje normale zhvillimore, si dhe një parim bazë i realitetit.
Është diçka që makinat vetë-drejtuese nuk e kanë. Dhe ky është një problem. Automjetet autonome po bëhen më të mira, por ata ende nuk e kuptojnë botën në mënyrën si e kupton një qenie njerëzore. Për një makinë vetë-drejtuese, një biçikletë që fshihet për një çast nga një furgon që kalon është një biçikletë që ka pushuar së ekzistuari.
Ky dështim është themelor për disiplinën kompjuterike tani të përhapur, të inteligjencës artificiale (ai). AI aktual punon duke ndërtuar modele komplekse statistikore të botës, por i mungon një kuptim më i thellë i realitetit.
AI modern bazohet në idenë e mësimit të makinerisë. Nëse një inxhinier dëshiron që një kompjuter të njohë një shenjë ndalimi, ai nuk përpiqet të shkruajë mijëra rreshta kodesh që përshkruajnë çdo model pikselësh që ndoshta mund të tregojnë një shenjë të tillë. Në vend të kësaj, AI shkruan një program që mund të mësojë vetë, dhe më pas i tregon atij programi mijëra fotografi të shenjave të ndalimit. Gjatë shumë përsëritjeve, programi gradualisht zbulon se cilat tipare kanë të përbashkëta të gjitha këto fotografi.
Teknika të ngjashme përdoren për të trajnuar makina vetë-drejtuese për të operuar në trafik. Kështu, makinat mësojnë se si t’i binden shenjave të korsisë, shmangin automjetet e tjera, shtypin frenat në një dritë të kuqe etj. Por ata nuk kuptojnë shumë gjëra që një shofer njeri, i merr për të mirëqenë, që makinat e tjera në rrugë kanë motorë dhe katër rrota, ose që u binden rregullave të trafikut (zakonisht) dhe ligjeve të fizikës (gjithmonë). Dhe ata nuk e kuptojnë qëndrueshmërinë e objektit.
Në një punim të kohëve të fundit në Inteligjencën Artificiale, Mehul Bhatt i Universitetit Orebro, në Suedi, , përshkruan një qasje të ndryshme. Ai dhe kolegët e tij morën disa programe ajrore ekzistuese të cilat përdoren nga makinat vetë-drejtuese dhe vendosën mbi to një pjesë të softuerit të quajtur një motor simbolik-arsyetues.
Zemra ka arsyet e saj …
Në vend që t’i qaset botës me probabilitet, siç bën mësimi i makinerisë, ky softuer u programua për të aplikuar konceptet themelore fizike në daljen e programeve që përpunojnë sinjale nga sensorët e automjeteve autonome. Këtij prodhimt të modifikuar iu shtua më pas softueri që drejton automjetin. Konceptet përfshinin idetë që objektet e ndara vazhdojnë të ekzistojnë me kalimin e kohës, se ata kanë marrëdhënie hapësinore me njëri-tjetrin-të tilla si “para-përpara” dhe “prapa” dhe se ato mund të jenë plotësisht ose pjesërisht të dukshme, ose plotësisht fshehur nga një objekt tjetër.
Dhe funksionoi. Në testet, nëse një makinë bllokon shikimin e një tjetri për një çast, softueri i zgjeruar me arsyetimin mund të mbajë makinën e bllokuar, të parashikojë se ku dhe kur do të rishfaqet dhe të ndërmarrë hapa për ta shmangur atë nëse është e nevojshme. Përmirësimi nuk ishte i madh. Në testet standarde, sistemi i Dr Bhatt shënoi rreth 5% përmirësim sesa softueri ekzistues. Por ai vërtetoi parimin. Dhe gjithashtu dha diçka tjetër. Sepse, ndryshe nga një algoritëm i mësimit të makinerisë, një motor arsyetimi mund t’ju tregojë arsyen pse bëri atë që bëri.
Për shembull, mund të pyesni një makinë të pajisur me një motor arsyetimi pse kishte shtypur frenat dhe do të ishte në gjendje t’ju tregonte se mendonte se një biçikletë e fshehur nga një furgon do të hynte në kryqëzimin përpara. Një program i mësimit të makinerisë nuk mund ta bëjë këtë. Përveç ndihmës në përmirësimin e dizajnit të programit, informacioni i tillë, Dr Bhatt mendon, do të ndihmojë rregullatorët dhe kompanitë e sigurimeve. Kështu mund të përshpejtojë në pranimin e gjerë të makinave që lëvizin.
Puna e Dr Bhatt është pjesë e një debati të vjetër në fushën e inteligjencës artificiale. Hulumtuesit e hershëm ai, duke punuar në vitet 1950, arritën sukses duke përdorur këtë lloj arsyetimi të para -programuar. Por, duke filluar në vitet 1990, mësimi i makinerisë u përmirësua në mënyrë dramatike, falë teknikave më të mira të programimit të kombinuara me kompjuterë më të fuqishëm dhe disponueshmërisë së më shumë të dhënave. Sot pothuajse e gjithë AI bazohet në të.
Kthim në të ardhmen
Për Dr Marcus, kreu i kompanisë “Robot.ai”, ky shembull nxjerr në pah brishtësinë e të mësuarit të makinerisë. Por të tjerët mendojnë se është arsyetimi simbolik i cili është i brishtë dhe se mësimi i makinerisë është ende shumë larg. Midis tyre është Jeff Haëke, nënkryetar i teknologjisë në Ëayve, një firmë makinash në Londër. Qasja e Ëayve është të trajnojë elementët e softuerit që drejtojnë përbërësit e ndryshëm të një makine njëkohësisht, dhe jo veç e veç. Në shqyrtim, makinat e Ëayve marrin vendime të mira ndërsa ecin në rrugët e ngushta dhe me shumë trafik të Londrës, një detyrë që sfidon shumë njerëz.
Siç thotë Dr Haëke, “kompleksiteti i shumicës së detyrave të botës reale është më i madh se sa është e mundur të zgjidhet me rregulla të punuara me dorë dhe dihet mirë se sistemet e ekspertëve të ndërtuara me rregulla kanë tendencë të luftojnë me kompleksitetin. Kjo është e vërtetë pavarësisht se sa mirë është menduar apo strukturuar logjika formale.
” Një sistem i tillë, për shembull, mund të krijojë një rregull që një makinë duhet të ndalet në një dritë të kuqe. Por dritat janë të dizajnuara ndryshe në vende të ndryshme, dhe disa janë të destinuara për këmbësorët sesa për veturat. Ka edhe situata në të cilat mund t’ju duhet të kaloni një dritë të kuqe, të tilla si të hapni rrugën për një motor zjarrfikës.
“Bukuria e mësimit të makinerisë”, – thotë Dr Haëke, “është se të gjithë këta faktorë dhe koncepte mund të zbulohen automatikisht dhe të mësohen nga të dhënat. Dhe me më shumë të dhëna, ai vazhdon të mësojë dhe të bëhet më inteligjent. “
Nicholas Rhinehart, i cili studion robotikë dhe ai në Universitetin e Kalifornisë, Berkeley, gjithashtu mbështet mësimin e makinerisë. Ai thotë se qasja e Dr Bhatt vërtet tregon se ju mund të kombinoni të dy qasjet. Por ai nuk është i sigurt se është e nevojshme. Në punën e tij, dhe gjithashtu atë të të tjerëve, vetëm sistemet e mësimit të makinerisë tashmë mund të parashikojnë probabilitete disa sekonda në të ardhmen-të tilla si nëse një makinë tjetër ka të ngjarë të lëshojë rrugën apo jo-dhe të bëjë plane emergjente bazuar në ato parashikime.
Dr Bhatt përgjigjet se ju mund të stërvitni një makinë me të dhëna të grumbulluara mbi miliona kilometra lëvizje dhe prapë nuk jeni të sigurtë se i keni mbuluar të gjitha situatat e nevojshme. Në shumë raste, mund të jetë më e thjeshtë dhe më efektive të programosh disa nga rregullat që në fillim.
Për kampionët e të dy strategjive, pyetja shkon përtej mjeteve që drejtojnë vetveten në të ardhmen e vetë AI. “Unë nuk mendoj se ne po marrim qasjen e duhur tani,” thotë Dr Marcus. “Mësimi i makinerisë ka qenë i dobishëm për disa gjëra si njohja e të folurit, por nuk është në të vërtetë përgjigja për AI. Ne nuk e kemi zgjidhur problemin e inteligjencës ”. Në një mënyrë apo tjetër, atëherë, duket se fëmijët shtatë muajsh kanë ende shumë për të mësuar makineritë.
Burimi:The Economist/Përshtati:Gazeta “SI”
Copyright © Gazeta “Si”
Të gjitha të drejtat e këtij materiali janë pronë ekskluzive dhe e patjetërsueshme e Gazetës “Si”, sipas Ligjit Nr.35/2016 “Për të drejtat e autorit dhe të drejtat e tjera të lidhura me to”. Ndalohet kategorikisht kopjimi, publikimi, shpërndarja, tjetërsimi etj, pa autorizimin e Gazetës “Si”, në të kundërt çdo shkelës do mbajë përgjegjësi sipas nenit 179 të Ligjit 35/2016.
