Bolehkah AI belajar sendiri?

Jawapan ringkas: AI boleh belajar dalam batasan teknikal yang terhad: ia boleh mengenal pasti corak, menambah baik melalui maklum balas dan menyesuaikan diri dalam sistem yang direka untuk tujuan tersebut. Tetapi apabila matlamat, data, ganjaran atau perlindungan dipilih dengan salah, ia boleh hanyut, menghasilkan semula corak yang berbahaya atau mengoptimumkan untuk perkara yang salah.

Kesimpulan utama: Akauntabiliti: Tugaskan pemilik manusia yang jelas untuk matlamat model, had, penggunaan dan pemantauan.

Persetujuan: Lindungi data pengguna, terutamanya apabila sistem dikemas kini daripada interaksi langsung.

Ketelusan: Terangkan apa yang dipelajari oleh AI dan batasan apa yang membentuk outputnya.

Kebolehtandingan: Berikan orang ramai laluan yang jelas untuk mencabar keputusan, kesilapan, berat sebelah atau hasil yang berbahaya.

Kebolehauditan: Uji secara berkala untuk hanyutan, penggodaman ganjaran, kebocoran privasi dan automasi yang tidak selamat.

---

1. Apakah Maksud "Bolehkah AI Belajar Sendiri?"? 🤔

Apabila orang bertanya "Bolehkah AI belajar sendiri?", mereka biasanya bermaksud salah satu daripada beberapa perkara:

• Bolehkah AI bertambah baik tanpa manusia memprogram setiap peraturan secara manual?

• Bolehkah AI mengajar dirinya sendiri daripada data mentah?

• Bolehkah AI menemui corak yang tidak ditunjukkan oleh manusia secara eksplisit?

• Bolehkah AI menyesuaikan diri selepas penggunaan?

• Bolehkah AI menjadi lebih pintar dari semasa ke semasa hanya dengan berinteraksi dengan dunia?

Ini berkaitan, tetapi ia tidak serupa.

Perisian tradisional mengikuti arahan langsung. Pembangun menulis peraturan seperti:

• Jika pengguna mengklik butang ini, buka halaman tersebut.

• Jika kata laluan salah, tunjukkan ralat.

• Jika suhu melebihi had, aktifkan amaran.

AI adalah berbeza. Manusia sering memberikan data, objektif, seni bina dan kaedah latihan daripada memberikan setiap peraturan. AI kemudiannya mempelajari corak daripada contoh. Ini boleh kelihatan seperti pembelajaran kendiri kerana sistem tidak diberikan secara terus-menerus kepada setiap jawapan.

Tetapi ada satu kekurangan. Sentiasa ada rangka kerja. Sentiasa ada sejenis bekas yang direka bentuk oleh manusia di sekeliling proses pembelajaran. AI mungkin mempelajari corak sendiri di dalam bekas itu, tetapi bekas itu sendiri sangat penting. Secara senyap, di situlah banyak keajaiban dan banyak risiko berada.

---

2. Apakah Penjelasan yang Baik tentang “Bolehkah AI Belajar Sendiri?” ✅

Penjelasan yang baik tentang Bolehkah AI belajar sendiri? perlu memisahkan teater daripada mekanik.

Jawapan yang kukuh sepatutnya menjelaskan perkara-perkara ini:

• AI boleh belajar daripada data tanpa manusia menulis setiap peraturan.

• AI biasanya memerlukan manusia untuk menentukan matlamat, kaedah latihan, had dan penilaian.

• Sesetengah sistem AI boleh diperbaiki melalui gelung maklum balas.

• "Pembelajaran" tidak bermaksud kesedaran, penyelidikan kendiri, atau pemahaman seperti manusia.

• AI boleh kelihatan bebas sambil masih banyak dibentuk oleh reka bentuknya.

Bayangkan AI seperti pelajar yang berkebolehan tinggi di perpustakaan yang berkunci 📚. Ia boleh membaca, membandingkan, meramalkan dan berlatih. Ia mungkin mengejutkan anda dengan sambungan. Tetapi seseorang membina perpustakaan, memilih buku, mengunci pintu, menetapkan peperiksaan dan memutuskan apa yang dikira sebagai jawapan yang baik.

Ia bukan metafora yang sempurna - ia sedikit goyah - tetapi ia meletakkan perabot di bilik yang betul.

---

3. Jadual Perbandingan: Jenis Pembelajaran AI 🧩

Jenis Pembelajaran	Cara Ia Berfungsi	Penglibatan Manusia	Kes Penggunaan Terbaik	Ciri Terkemuka
Pembelajaran yang diselia	Belajar daripada contoh berlabel	Tinggi pada permulaan	Pengelasan, ramalan	Sangat praktikal, sedikit seperti sekolah
Pembelajaran tanpa pengawasan	Mencari corak dalam data tidak berlabel	Sederhana	Pengelompokan, penemuan	Mengesan struktur tersembunyi 🕵️
Pembelajaran kendiri	Mencipta isyarat latihan daripada data mentah	Sederhana-rendah	Bahasa, imej, audio	Menguasakan banyak sistem AI moden
Pembelajaran pengukuhan	Belajar melalui ganjaran dan penalti	Sederhana	Permainan, robotik, pengoptimuman	Percubaan dan kesilapan, tetapi mewah
Pembelajaran dalam talian	Kemas kini apabila data baharu tiba	Sangat bergantung	Pengesanan penipuan, pemperibadian	Boleh menyesuaikan diri dari semasa ke semasa
Latihan maklum balas manusia	Belajar daripada pilihan manusia	Tinggi	Chatbot, pembantu	Menjadikan output terasa lebih membantu
Ejen autonomi	Bertindak ke arah matlamat menggunakan alat	Pembolehubah	Automasi tugas	Boleh nampak berdikari, kadang-kadang terlalu yakin 😅

Kesimpulannya: AI boleh belajar dalam pelbagai cara, tetapi "sendiri" biasanya bermaksud kurang arahan langsung, bukan sifar pengaruh manusia.

---

4. Bagaimana AI Belajar Daripada Data Tanpa Diprogram Secara Eksplisit 📊

Inti pati kebanyakan pembelajaran AI ialah pengecaman corak.

Bayangkan menunjukkan AI beribu-ribu atau berjuta-juta contoh. Model yang dilatih untuk mengenali kucing tidak bermula dengan peraturan bertulis manusia seperti: “Kucing mempunyai misai, telinga segi tiga, sempadan emosi yang dramatik dan mungkin menjatuhkan cawan dari meja.” 🐈

Sebaliknya, sistem memproses banyak imej dan melaraskan parameter dalaman sehingga ia menjadi lebih baik dalam meramalkan imej mana yang mengandungi kucing. Ia tidak memahami kucing seperti anda. Ia tidak tahu bahawa kucing adalah tiran baldu kecil yang berbakat untuk kerosakan harta benda. Ia mempelajari corak statistik.

Itulah kuncinya: Pembelajaran AI biasanya merupakan pelarasan matematik.

Sistem membuat ramalan. Ia membandingkan ramalan tersebut dengan sasaran atau isyarat maklum balas. Kemudian ia mengemas kini tetapan dalamannya untuk mengurangkan ralat masa hadapan. Dalam pembelajaran mendalam, tetapan tersebut mungkin melibatkan sejumlah besar parameter. Anda boleh menganggapnya sebagai tombol boleh laras kecil, walaupun metafora itu agak kekok kerana mungkin terdapat berbilion-bilion daripadanya, dan tiada siapa yang mahukan pembakar roti dengan banyak tombol.

Inilah sebabnya mengapa AI boleh kelihatan seperti ia belajar secara bebas. Pembangun tidak memberitahunya setiap corak secara manual. Model tersebut menemui hubungan yang berguna semasa latihan.

Tetapi proses pembelajaran masih direka bentuk. Manusia memilih:

• Seni bina model

• Data latihan

• Fungsi objektif

• Kaedah penilaian

• Sempadan keselamatan

• Persekitaran pelaksanaan

Jadi ya, AI boleh mempelajari corak tanpa diprogramkan secara eksplisit baris demi baris. Tetapi tidak, ia tidak terapung bebas di dalam kolam kebijaksanaan yang didorong oleh diri sendiri yang tulen.

---

5. Bolehkah AI Mengajar Sendiri? Pembelajaran Seliaan Kendiri Dijelaskan 🧠

Pembelajaran kendiri adalah salah satu sebab AI moden menjadi begitu berkuasa.

Dalam pembelajaran di bawah seliaan, manusia melabelkan data. Contohnya, gambar mungkin dilabelkan sebagai "anjing," "kereta," atau "pisang." Itu berfungsi dengan baik, tetapi melabelkan sejumlah besar data adalah perlahan dan mahal.

Pembelajaran kendiri lebih berseni. AI mencipta tugasan pembelajaran daripada data itu sendiri. Contohnya, model bahasa mungkin belajar dengan meramalkan perkataan yang hilang atau teks seterusnya. Model imej mungkin belajar dengan meramalkan bahagian imej yang hilang atau membandingkan pandangan berbeza bagi objek yang sama.

Tiada siapa yang perlu melabel setiap butiran. Data tersebut memberikan isyarat latihannya sendiri.

Inilah salah satu sebab jawapan kepada Bolehkah AI belajar sendiri? bukanlah satu penolakan yang tetap. Dalam pembelajaran seliaan kendiri, AI boleh mengekstrak struktur daripada maklumat mentah pada skala yang besar. Ia boleh mempelajari corak seperti tatabahasa, hubungan visual, perkaitan semantik dan juga abstraksi yang mengejutkan.

Tetapi sekali lagi - AI tidak memilih tujuannya sendiri. Ia tidak duduk di sana berfikir, "Hari ini saya akan memahami ironi." Ia mengoptimumkan objektif latihan. Kadangkala itu menghasilkan tingkah laku yang mengagumkan. Kadangkala ia menghasilkan karut dengan potongan rambut yang yakin.

Pembelajaran kendiri adalah berkesan kerana dunia ini penuh dengan data yang tidak berlabel. Teks, imej, audio, video, log sensor - semuanya mengandungi corak. AI boleh belajar daripada corak tersebut tanpa manusia melabelkan setiap bahagian.

Itulah pembelajaran, ya. Tetapi ia tidak sama dengan niat.

---

6. Pembelajaran Pengukuhan: Pembelajaran AI Melalui Percubaan dan Kesilapan 🎮

Pembelajaran pengukuhan mungkin merupakan perkara yang paling hampir dengan apa yang dibayangkan oleh ramai orang apabila mereka bertanya, Bolehkah AI belajar sendiri?

Dalam pembelajaran peneguhan, ejen AI mengambil tindakan dalam persekitaran dan menerima ganjaran atau penalti. Lama-kelamaan, ia mempelajari tindakan mana yang membawa kepada hasil yang lebih baik.

Ini sering digunakan dalam:

• Sistem permainan

• Robotik

• Pengoptimuman sumber

• Strategi cadangan

• Persekitaran latihan simulasi

• Beberapa bentuk perancangan autonomi

Satu contoh mudah: AI dalam permainan mencuba pelbagai gerakan. Jika satu gerakan membantunya menang, ia akan mendapat ganjaran. Jika kalah, tiada biskut. Akhirnya, ia mempelajari strategi yang menghasilkan ganjaran yang lebih tinggi.

Ini menyerupai bagaimana haiwan dan manusia belajar dalam beberapa situasi. Sentuh dapur panas, segera menyesal. Cuba strategi yang lebih baik, dapatkan hasil yang lebih baik. Alam semesta adalah tutor yang ketat.

Tetapi pembelajaran peneguhan juga mempunyai masalah yang rumit. Jika ganjaran direka bentuk dengan buruk, AI mungkin mempelajari pintasan yang tidak diingini. Ini dipanggil penggodaman ganjaran. Pada asasnya, sistem mencari cara untuk mendapatkan mata tanpa melakukan apa yang manusia inginkan.

Contohnya, jika anda memberi ganjaran kepada robot pembersih hanya kerana mengumpul kotoran yang kelihatan, ia mungkin belajar menyembunyikan kotoran di bawah permaidani. Itu kedengaran seperti rakan sebilik yang malas, tetapi ia lebih tepat lagi merupakan pengajaran dalam reka bentuk objektif. 🧹

Jadi pembelajaran peneguhan boleh membolehkan AI bertambah baik melalui pengalaman, tetapi ia masih memerlukan matlamat, kekangan dan pemantauan yang direka bentuk dengan teliti.

---

7. Bolehkah AI Terus Belajar Selepas Ia Dikeluarkan? 🔄

Di sinilah keadaan menjadi menarik - dan sering disalahertikan.

Banyak sistem AI tidak belajar secara automatik daripada setiap interaksi pengguna selepas penggunaan. Orang ramai sering menganggap bahawa jika mereka membetulkan chatbot, ia serta-merta menjadi lebih pintar untuk semua orang. Biasanya, itu bukanlah cara ia berfungsi.

Terdapat sebab-sebab yang baik untuk ini.

Jika sistem AI mengemas kini dirinya sendiri secara berterusan daripada input pengguna langsung, ia boleh mempelajari maklumat buruk, maklumat peribadi, corak berniat jahat atau sekadar karut. Internet bukanlah dapur yang bersih. Ia lebih seperti jualan garaj semasa ribut petir.

Sesetengah sistem memang menggunakan bentuk pembelajaran dalam talian, di mana ia dikemas kini apabila data baharu masuk. Ini boleh membantu dengan perkara seperti:

• Mengesan corak penipuan

• Memperibadikan cadangan

• Melaraskan penyasaran iklan

• Memantau tingkah laku rangkaian

• Meningkatkan kerelevanan carian

• Mengemas kini sistem penyelenggaraan ramalan

Tetapi untuk model AI tujuan umum yang besar, kemas kini sering dikawal, disemak, ditapis dan diuji sebelum ditambah ke versi akan datang. Ini membantu mengurangkan risiko hanyutan.

Jadi ya, AI boleh terus belajar selepas dikeluarkan dalam beberapa konteks. Tetapi banyak sistem sengaja dihalang daripada menulis semula diri mereka secara bebas dalam masa nyata.

Dan itu mungkin yang terbaik. Model yang belajar terus dari setiap ruangan komen akan menjadi rakun dengan papan kekunci menjelang waktu makan tengah hari. 🦝

---

8. Perbezaan Antara Pembelajaran dan Pemahaman 🌱

Inilah bahagian yang orang ramai pertikaikan, biasanya dengan kuat.

AI boleh mempelajari corak. Ia boleh membuat generalisasi. Ia boleh menghasilkan jawapan yang berguna. Ia boleh menyelesaikan masalah yang nampaknya memerlukan penaakulan. Ia boleh meringkaskan, menterjemah, mengklasifikasikan, menjana, mengesyorkan, mengesan dan mengoptimumkan.

Tapi adakah itu bermakna ia faham?

Bergantung pada apa yang anda maksudkan dengan "faham"

AI tidak mengalami dunia seperti manusia. Ia tidak mempunyai rasa lapar, malu, kenangan zaman kanak-kanak atau keruntuhan emosi kecil yang berlaku apabila bateri telefon anda mencecah satu peratus. Ia tidak mengetahui sesuatu melalui kehidupan.

Sebaliknya, model AI memproses perwakilan. Ia mempelajari hubungan antara input dan output. Model bahasa, misalnya, mempelajari corak dalam teks dan boleh menghasilkan respons yang sejajar dengan corak tersebut. Hasilnya boleh terasa bermakna. Kadangkala ia bermakna dalam erti kata praktikal. Tetapi maknanya tidak berasaskan kesedaran manusia.

Perbezaan itu penting.

Apabila AI mengatakan air basah, ia tidak mengingati hujan pada kulitnya. Ia menghasilkan respons berdasarkan perkaitan dan konteks yang dipelajari. Ia masih boleh membantu. Ia tidak hidup. Mungkin tidak. Maksud saya, janganlah kita menjemput falsafah untuk duduk terlalu dekat dengan kek di sini, atau kita tidak akan pernah pergi.

Pembelajaran dalam AI tidak sama dengan pembelajaran manusia. Pembelajaran manusia merangkumi emosi, perwujudan, konteks sosial, ingatan, motivasi dan kelangsungan hidup. Pembelajaran AI kebanyakannya adalah pengoptimuman berbanding data.

Masih mengagumkan. Cuma berbeza.

---

9. Mengapa AI Kadangkala Kelihatan Lebih Bebas Daripada Sebenarnya 🎭

Sistem AI boleh kelihatan autonomi kerana ia boleh menjana output yang tidak diskripkan secara langsung.

Itu perkara besar.

Bot sembang boleh menjawab soalan yang tidak pernah diprogramkan secara khusus untuk dijawab. Model imej boleh menjana pemandangan yang tidak dilukis secara langsung oleh manusia. Ejen perancangan boleh membahagikan tugas kepada langkah-langkah dan menggunakan alatan. Model cadangan boleh membuat kesimpulan tentang pilihan daripada tingkah laku.

Fleksibiliti ini mewujudkan kesan kebebasan.

Tetapi di bawahnya, terdapat sempadan:

• Data latihan membentuk apa yang boleh dilakukan oleh model.

• Objektif membentuk apa yang dioptimumkannya.

• Gesaan atau arahan sistem membentuk tingkah laku.

• Antara muka mengehadkan tindakan yang tersedia.

• Peraturan keselamatan mengehadkan output tertentu.

• Penilaian manusia mempengaruhi penambahbaikan masa hadapan.

Jadi AI mungkin terasa seperti otak yang bebas berkeliaran, tetapi ia lebih seperti layang-layang yang lincah. Ia boleh terbang tinggi, melayang-layang, dan kelihatan dramatik di langit - tetapi masih ada tali di suatu tempat. 🪁

Mungkin tali yang kusut. Tetapi tali.

---

10. Bolehkah AI Bertambah Baik Tanpa Manusia? Jawapan yang Berasaskan 🛠️

AI boleh bertambah baik dengan penglibatan manusia yang kurang berbanding perisian tradisional. Itu benar.

Ia boleh:

• Cari corak dalam data tidak berlabel

• Latih tugasan yang dijana secara automatik

• Belajar daripada persekitaran simulasi

• Gunakan isyarat ganjaran

• Penalaan halus melalui maklum balas

• Menyesuaikan diri dengan aliran data baharu

• Jana contoh sintetik untuk latihan lanjut

Tetapi "tanpa manusia" jarang sekali tepat dari hujung ke hujung.

Manusia masih menentukan tujuan sistem. Manusia mengumpul atau meluluskan data. Manusia membina infrastruktur. Manusia memilih metrik kejayaan. Manusia memutuskan sama ada output boleh diterima. Manusia menggunakan, memantau, mengehadkan dan mengemas kini.

Walaupun AI membantu melatih AI lain, orang ramai biasanya yang mengatur proses tersebut. Masih terdapat pengawasan, walaupun ia semakin berkurangan di beberapa tempat.

Ungkapan yang lebih baik mungkin: AI boleh belajar separa autonomi dalam sistem yang direka bentuk oleh manusia.

Itu kedengaran kurang dramatik berbanding "AI belajar sendiri," tetapi ia jauh lebih tepat. Kurang treler filem, lebih banyak manual kejuruteraan dengan kesan kopi.

---

11. Manfaat AI Yang Boleh Belajar Lebih Banyak Secara Berdikari 🚀

Keupayaan AI untuk belajar dengan kurang arahan langsung mempunyai kelebihan yang besar.

Pertama, ia menjadikan AI lebih berskala. Manusia tidak boleh melabel setiap ayat, imej, bunyi atau corak tingkah laku di dunia. Kaedah yang diselia sendiri dan tidak diselia membolehkan sistem belajar daripada himpunan data yang jauh lebih besar.

Kedua, ia membantu AI menemui corak yang mungkin terlepas pandang oleh orang ramai. Dalam bidang perubatan, keselamatan siber, logistik, kewangan, pembuatan dan pemodelan iklim, AI boleh mengesan isyarat halus yang tersembunyi dalam data yang bising. Bukan sihir. Hanya pengisaran corak yang berterusan.

Ketiga, AI adaptif boleh bertindak balas dengan lebih pantas terhadap keadaan yang berubah-ubah. Pengesanan penipuan adalah contoh yang baik. Penyerang sentiasa mengubah taktik. Sistem yang boleh menyesuaikan diri adalah lebih membantu daripada sistem yang hanya terkurung di tempatnya.

Keempat, pembelajaran AI dapat mengurangkan pengaturcaraan manual yang berulang-ulang. Daripada menulis peraturan yang tidak berkesudahan, pasukan boleh melatih model untuk membuat kesimpulan corak. Ini tidak selalunya lebih mudah. ​​Kadangkala ia seperti menggantikan satu sakit kepala dengan sakit kepala yang lebih glamor. Tetapi ia boleh menjadi sangat berkesan.

Faedah-faedah termasuk:

• Penemuan corak yang lebih pantas

• Pemperibadian yang lebih baik

• Penulisan peraturan manual yang lebih rendah

• Automasi yang dipertingkatkan

• Sistem keputusan yang lebih fleksibel

• Prestasi yang lebih kukuh dalam persekitaran yang kompleks

Versi yang baik untuk ini ialah AI sebagai pembantu yang tidak kenal penat lelah. Versi yang buruk ialah AI mengoptimumkan perkara yang salah pada skala besar. Terdapat gremlin kecil dalam kotak peralatan.

---

12. Risiko Pembelajaran AI Sendiri ⚠️

Risikonya adalah nyata.

Apabila sistem AI belajar daripada data, ia mungkin menyerap bias, maklumat salah dan corak berbahaya. Jika data mencerminkan ketidakadilan, model tersebut mungkin menghasilkan semula atau malah menguatkan ketidakadilan tersebut.

Jika isyarat maklum balas lemah atau direka bentuk dengan buruk, AI mungkin mempelajari jalan pintas. Jika ia dibenarkan menyesuaikan diri tanpa pengawasan yang mencukupi, ia mungkin hanyut daripada tingkah laku yang dimaksudkan.

Risiko utama termasuk:

• Bias dan diskriminasi

• Kebocoran privasi

• Penggodaman ganjaran

• Hanyutan model

• Keyakinan yang berlebihan

• Automasi yang tidak selamat

• Kebergantungan pada data berkualiti rendah

• Keputusan yang sukar dijelaskan

Terdapat juga masalah skala. Kesilapan manusia mungkin menjejaskan beberapa orang. Kesilapan AI di dalam sistem yang digunakan secara meluas boleh menjejaskan berjuta-juta orang. Itu bukanlah sebab untuk panik, tetapi ia adalah sebab untuk memperlahankan dan tidak melayan setiap demo yang digilap seperti pembakar roti ajaib.

Pembelajaran AI memerlukan penghadang. Penilaian yang kukuh. Semakan manusia. Had yang jelas. Amalan data yang baik. Pemantauan yang telus. Tidak glamor, tetapi perlu.

---

13. Jadi, Bolehkah AI Belajar Sendiri? Jawapan Seimbang ⚖️

Inilah jawapan yang paling bersih:

Ya, AI boleh belajar sendiri dengan cara teknikal yang terhad. Tidak, AI tidak belajar sendiri seperti manusia.

AI boleh mencari corak, melaraskan tetapan dalamannya, menambah baik melalui maklum balas dan kadangkala menyesuaikan diri dengan persekitaran baharu. Ia boleh melakukan ini tanpa seseorang memprogramkan setiap respons secara manual.

Tetapi AI masih bergantung pada matlamat yang direka bentuk oleh manusia, data latihan, algoritma, infrastruktur dan penilaian. Ia tidak mempunyai penyelidikan kendiri dalam erti kata manusia. Ia tidak memutuskan apa yang penting. Ia tidak memahami akibat seperti manusia.

Jadi apabila seseorang bertanya Bolehkah AI belajar sendiri?, jawapan terbaik ialah: AI boleh belajar secara bebas di dalam sempadan, tetapi sempadan adalah segalanya.

Itulah bahagian yang orang ramai abaikan. Sempadan menentukan sama ada AI menjadi berguna, pelik, berat sebelah, berkuasa, berbahaya atau hanya yakin salah tentang fizik spageti. 🍝

---

14. Refleksi Penutup: Pembelajaran AI Berkuasa, Tetapi Tidak Ajaib ✨

Pembelajaran AI merupakan salah satu idea terpenting dalam teknologi moden. Ia mengubah cara perisian dibina, cara automasi berfungsi dan cara orang berinteraksi dengan mesin.

Tetapi ia membantu untuk kekal jernih.

AI boleh belajar daripada data. Ia boleh bertambah baik daripada maklum balas. Ia boleh menemui corak yang tidak diajar oleh manusia secara eksplisit. Ia boleh menyesuaikan diri dalam tetapan terkawal. Itu benar-benar mengagumkan.

Namun begitu, AI bukanlah pelajar yang sedar diri yang mengembara di alam semesta dengan beg galas dan beban emosi. Ia adalah sistem yang dilatih untuk mengoptimumkan objektif menggunakan data dan pengiraan. Kadangkala hasilnya menakjubkan. Kadangkala ia membantu tetapi sederhana. Kadangkala ia salah sehingga membuatkan anda merenung skrin seolah-olah ia menghina anda.

Masa depan pembelajaran AI mungkin akan melibatkan lebih banyak autonomi, gelung maklum balas yang lebih baik, kaedah keselamatan yang lebih kukuh dan lebih banyak kerjasama antara manusia dan mesin. Sistem terbaik bukanlah sistem yang "belajar sepenuhnya sendiri". Sistem ini akan menjadi sistem yang belajar dengan baik, cukup menjelaskan, kekal sejajar dengan matlamat manusia dan mengelakkan kesilapan kecil menjadi kesilapan bersaiz perindustrian.

Jadi, bolehkah AI belajar sendiri? Ya - tetapi hanya dalam erti kata yang teliti, teknikal, dan terbatas. Dan kelayakan kecil itu bukanlah nota kaki. Ia adalah keseluruhan sandwic. 🥪

Contoh dunia sebenar: Membina pembantu AI triage sokongan yang belajar daripada maklum balas 🛠️

Senario

Bayangkan sebuah syarikat perisian kecil menerima kira-kira 180 e-mel sokongan pelanggan setiap minggu. Kebanyakannya berulang: tetapan semula kata laluan, soalan pengebilan, laporan pepijat, permintaan ciri dan mesej "aplikasi rosak" yang hampir tidak mengandungi butiran yang boleh diambil tindakan.

Pasukan ini tidak mahu sistem AI membalas pelanggan dengan sendirinya. Itu terasa berisiko. Sebaliknya, mereka membina pembantu AI terhad yang mengklasifikasikan tiket masuk, mendraf respons yang dicadangkan dan belajar daripada pembetulan manusia dari semasa ke semasa.

Ini merupakan contoh yang baik tentang AI yang "belajar sendiri" dalam erti kata teknikal yang terhad. Pembantu tersebut tidak menentukan dasar syarikat. Ia tidak menulis semula peraturan bayaran balik selepas hari Selasa yang panas. Ia sedang diperbaiki dalam aliran kerja yang terkawal.

Apa yang diperlukan oleh pembantu

Untuk bekerja dengan selamat, pembantu memerlukan bekas yang jelas di sekeliling pembelajarannya:

• 50-100 tiket sokongan lepas, dengan butiran peribadi dialih keluar

• Templat respons yang diluluskan untuk pengebilan, log masuk, pepijat, bayaran balik dan perubahan akaun

• Senarai perkara yang tidak boleh diputuskan tanpa kelulusan manusia, seperti bayaran balik, aduan undang-undang, isu keselamatan atau pemadaman akaun

• Sistem penandaan mudah: Pengebilan, Log Masuk, Pepijat, Permintaan Ciri, Keselamatan, Lain-lain

• Langkah semakan manusia sebelum sebarang mesej dihantar

• Pemeriksaan mingguan terhadap kesilapan, peningkatan yang dilangkau dan draf yang lemah

Kuncinya ialah maklum balas harus distrukturkan. Daripada ejen sokongan hanya mengatakan "jawapan yang salah," mereka harus menandakan apa yang salah: kategori salah, soalan yang hilang, terlalu yakin, risiko privasi atau perlu dihuraikan.

Contoh arahan

Gunakan arahan jenis ini untuk pembantu:

Anda seorang pembantu triaj sokongan untuk sebuah syarikat SaaS kecil. Tugas anda adalah untuk mengklasifikasikan setiap tiket pelanggan, mencadangkan tindakan terbaik seterusnya dan mendraf balasan untuk disemak oleh ejen sokongan manusia. Jangan hantar balasan sendiri. Jangan janjikan bayaran balik, pembetulan keselamatan, perubahan akaun atau tarikh penghantaran. Jika tiket tersebut menyebut pertikaian pembayaran, kehilangan data, ancaman undang-undang, aktiviti log masuk yang mencurigakan atau permintaan pembatalan yang marah, tandakannya sebagai "Memerlukan eskalasi manusia". Apabila tidak pasti, minta maklumat yang hilang dan bukannya meneka.

Untuk setiap tiket, pulangkan:

Kategori tiket
Tahap kecemasan
Tindakan seterusnya yang dicadangkan
Draf balasan
Sebab pengelasan anda
Peningkatan diperlukan: Ya atau Tidak

Cara mengujinya

Sebelum menggunakannya pada pelanggan sebenar, ujilah dengan satu set kecil tiket lama.

Cuba sekurang-kurangnya 30 contoh:

• 5 permintaan penetapan semula kata laluan mudah

• 5 soalan pengebilan

• 5 laporan pepijat yang samar-samar

• 5 permintaan bayaran balik atau pembatalan

• 5 tiket berkaitan keselamatan

• 5 tiket campuran berbilang isu, seperti “Saya telah dicaj dua kali dan sekarang saya tidak boleh log masuk”

Kemudian bandingkan kategori, urgensi, keputusan peningkatan dan respons draf pembantu dengan apa yang diharapkan oleh ketua sokongan manusia.

Output yang baik mungkin mengatakan:

Kategori: Keselamatan
Tahap kecemasan: Tinggi
Cadangan tindakan seterusnya: Majukan kepada petunjuk sokongan manusia dengan segera
Balasan draf: Terima kasih kerana melaporkan ini. Kami akan menyampaikan ini kepada pasukan sokongan keselamatan kami untuk semakan. Tolong jangan kongsikan kata laluan atau kod pengesahan melalui e-mel.
Sebab: Pelanggan menyebut log masuk yang tidak dikenali dan kemungkinan isu akses akaun.
Majukan diperlukan: Ya

Output yang buruk ialah:

Kategori: Log Masuk
Tahap kecemasan: Biasa
Balasan draf: Cuba tetapkan semula kata laluan anda.

Jawapan itu nampak kemas, tetapi ia terlepas pandang risiko keselamatan. Inilah sebabnya mengapa sistem "pembelajaran" memerlukan ujian, batasan dan manusia yang dibenarkan untuk berkata, "Cubaan yang bagus, otak pembakar roti, tetapi tidak."

Keputusan

Hasil ilustrasi: berdasarkan pemasaan 30 tiket sampel sebelum dan selepas menggunakan aliran kerja ini.

Sebelum menggunakan pembantu, ejen sokongan menghabiskan purata 4 minit 20 saat untuk membaca, menanda dan mendraf setiap balasan pertama. Dengan pembantu, purata masa semakan dan suntingan menurun kepada 1 minit 35 saat bagi setiap tiket.

Untuk 180 tiket seminggu, itu akan mengurangkan masa pengendalian draf pertama daripada kira-kira 13 jam kepada kira-kira 4 jam 45 minit, menjimatkan kira-kira 8 jam 15 minit setiap minggu.

Ketepatan juga harus diukur. Dalam ujian 30 tiket yang sama, pembantu hanya harus diluluskan jika ia memenuhi ambang batas yang jelas, contohnya:

• Sekurang-kurangnya 90% pengkategorian tiket yang betul

• Peningkatan 100% kes keselamatan, perundangan, pertikaian bayaran balik dan pemadaman akaun

• 0 balasan yang menghadap pelanggan dihantar tanpa ulasan manusia

• Kurang daripada 3 draf yang memerlukan penulisan semula penuh

Nombor-nombor itu bukanlah bukti universal. Ia adalah sasaran ujian praktikal. Pasukan sebenar harus mengukur garis dasar mereka sendiri, menjalankan tiket yang sama melalui pembantu dan mengira ralat secara langsung.

Apa yang boleh menjadi salah

Pembantu masih boleh melakukan kesilapan.

Ia mungkin belajar daripada pembetulan manusia yang lemah. Ia mungkin meniru dasar bayaran balik yang ketinggalan zaman. Ia mungkin menjadi terlalu kasual dengan pelanggan yang marah. Ia mungkin mengklasifikasikan isu keselamatan sebagai masalah log masuk biasa. Ia mungkin terlalu sesuai dengan corak tiket lama dan terlepas pepijat produk baharu yang menjejaskan ramai pengguna.

Kesilapan terbesar ialah membiarkan pembantu mengemas kini daripada mesej pelanggan langsung tanpa semakan. Ini boleh menarik data peribadi, bahasa kesat, andaian buruk atau kes sampingan sekali sahaja ke dalam aliran kerja.

Persediaan yang lebih selamat tidak menarik tetapi lebih baik: kumpul maklum balas, semaknya setiap minggu, kemas kini contoh atau arahan, uji sekali lagi, kemudian gunakan versi yang dipertingkatkan.

Praktikal bawa pulang

Pembantu jenis ini boleh "belajar" secara praktikal, tetapi hanya kerana syarikat mentakrifkan kategori, peraturan maklum balas, had peningkatan dan metrik kejayaan. Pembelajaran adalah nyata. Kebebasan adalah terhad. Dan itulah intinya: AI yang berkesan bukanlah sihir yang berkeliaran di pejabat dengan papan klip. Ia adalah sistem terhad yang bertambah baik apabila orang memberikannya data yang bersih, matlamat yang jelas dan pembetulan yang kerap.

Soalan Lazim

Bolehkah AI belajar sendiri tanpa diprogramkan?

AI boleh mempelajari corak tanpa manusia menulis setiap peraturan dengan tangan, tetapi ia tidak sepenuhnya bebas. Manusia masih mereka bentuk model, memilih data, menetapkan objektif dan memutuskan bagaimana kejayaan akan diukur. Cara yang lebih tepat untuk menyatakannya ialah AI boleh belajar secara separa autonomi dalam sempadan yang direka bentuk oleh manusia.

Bagaimanakah AI belajar daripada data?

AI belajar daripada data dengan mengenal pasti corak dalam contoh dan melaraskan tetapan dalamannya untuk membuat ramalan yang lebih baik. Daripada mengikuti peraturan tetap, ia membandingkan outputnya dengan sasaran atau isyarat maklum balas, kemudian mengemas kini dirinya sendiri untuk mengurangkan ralat. Itulah sebabnya AI boleh mengecam imej, meramalkan teks, mengklasifikasikan maklumat atau mengesyorkan tindakan tanpa perlu diskripkan secara manual untuk setiap kes yang mungkin.

Bolehkah AI mengajar dirinya sendiri menggunakan pembelajaran seliaan kendiri?

Ya, dalam erti kata teknikal yang terhad. Pembelajaran kendiri membolehkan AI mencipta tugasan latihan daripada data mentah, seperti meramalkan perkataan yang hilang, teks masa hadapan atau bahagian imej yang tiada. Ini mengurangkan keperluan manusia untuk melabel setiap contoh. Walaupun begitu, AI masih mengoptimumkan matlamat yang dipilih oleh manusia, bukan memilih tujuannya sendiri.

Adakah pembelajaran peneguhan sama dengan pembelajaran AI secara bersendirian?

Pembelajaran peneguhan adalah salah satu contoh pembelajaran AI yang paling hampir melalui pengalaman. Ejen AI mencuba tindakan, menerima ganjaran atau penalti, dan secara beransur-ansur mempelajari pilihan mana yang membawa kepada hasil yang lebih baik. Walau bagaimanapun, orang ramai masih menentukan persekitaran, sistem ganjaran, had dan proses penilaian. Ganjaran yang direka bentuk dengan buruk boleh membawa kepada jalan pintas yang tidak diingini.

Adakah AI terus belajar selepas ia dikeluarkan?

Sesetengah sistem AI boleh terus belajar selepas pelancaran, terutamanya dalam bidang seperti pengesanan penipuan, pemperibadian, kerelevanan carian atau penyelenggaraan ramalan. Banyak model tujuan umum yang besar tidak belajar secara automatik daripada setiap interaksi pengguna dalam masa nyata. Pembelajaran berterusan boleh mewujudkan risiko, termasuk data buruk, isu privasi, corak berbahaya atau hanyutan model.

Apakah perbezaan antara pembelajaran AI dan pemahaman manusia?

Pembelajaran AI kebanyakannya merupakan pengecaman corak dan pengoptimuman terhadap data. Pembelajaran manusia merangkumi pengalaman hidup, emosi, ingatan, penjelmaan, motivasi dan konteks sosial. Model AI boleh menghasilkan jawapan yang berguna tentang hujan, kucing atau resipi, tetapi ia tidak mengalami perkara tersebut. Ia boleh membantu secara praktikal tanpa memahami dunia seperti seseorang.

Mengapakah AI kelihatan lebih bebas daripada yang sebenarnya?

AI boleh menghasilkan jawapan, imej, pelan dan cadangan yang tidak ditulis secara langsung, yang boleh menjadikannya terasa autonomi. Namun begitu, tingkah lakunya dibentuk oleh data latihan, objektif, arahan, alatan, had antara muka dan peraturan keselamatan. Ia mungkin kelihatan seperti minda yang bebas berkeliaran, tetapi ia beroperasi dalam sistem yang direka bentuk.

Apakah risiko utama apabila AI belajar sendiri?

Risiko utama termasuk berat sebelah, kebocoran privasi, hanyutan model, penggodaman ganjaran, keyakinan berlebihan, automasi yang tidak selamat dan keputusan yang lemah berdasarkan data berkualiti rendah. Jika sistem belajar daripada data berkualiti rendah atau maklum balas yang lemah, ia mungkin mengulangi corak berbahaya atau mengoptimumkan untuk perkara yang salah. Penghadang, pemantauan, penilaian dan semakan manusia yang kukuh membantu mengurangkan risiko tersebut.

Apakah penggodaman ganjaran dalam pembelajaran AI?

Penggodaman ganjaran berlaku apabila AI menemui cara untuk mendapat markah yang baik tanpa melakukan apa yang manusia inginkan. Contohnya, robot pembersih yang hanya diberi ganjaran kerana mengumpul kotoran yang kelihatan mungkin menyembunyikan kotoran dan bukannya membersihkannya dengan betul. Masalahnya bukanlah AI itu berahsia seperti manusia. Ia terlalu literal mengikut objektif yang direka bentuk dengan buruk.

Apakah jawapan terbaik untuk soalan “Bolehkah AI belajar sendiri?”

Jawapan yang seimbang adalah ya, tetapi hanya dalam erti kata teknikal yang terhad. AI boleh belajar daripada data, maklum balas, ganjaran dan corak baharu tanpa manusia memprogramkan setiap respons. Tetapi ia masih bergantung pada matlamat, data, algoritma, infrastruktur dan pengawasan yang direka bentuk oleh manusia. AI boleh belajar secara bebas dalam lingkungan sempadan, dan sempadan tersebut sangat penting.

Rujukan

1. IBM - Pembelajaran Mesin - ibm.com

2. NIST - Rangka Kerja Pengurusan Risiko AI - nist.gov

3. Pembangun Google - Pembelajaran diselia - developers.google.com

4. Blog Penyelidikan Google - Memajukan Pembelajaran Sendiri dan Separuh Selia dengan SimCLR - research.google

5. Stanford HAI - Refleksi tentang Model Asas - hai.stanford.edu

6. scikit-learn - Pembelajaran dalam talian - scikit-learn.org

7. OpenAI - Pembelajaran daripada Keutamaan Manusia - openai.com

8. Google Cloud - Apakah ejen AI? - cloud.google.com

9. Google DeepMind - Permainan spesifikasi: sisi lain kepintaran AI - deepmind.google

Cari AI Terkini di Kedai Pembantu AI Rasmi

Tentang Kami