Efek Samantha: melihat lebih dekat ke masa depan bot

Pada 2013, Spike Jonze merilis film indie-Sci-Fi-drama-romcom 'Her'.

Film ini mengikuti lintasan evolusi sistem operasi cerdas artifisial pertama di dunia, "Samantha".

Selain Scarlett Johansson, Samantha adalah lamunan setiap pengembang: contoh sempurna dari Kecerdasan Buatan (nyata) 'nyata'. Seorang pembicara yang mengesankan, dia memahami konteks, bahasa alami, emosi dan akal sehat.

Jelas, bot modern tidak cukup pada tingkat Samantha. Paling-paling, mereka mampu menawarkan hasil tertentu melalui antarmuka percakapan. Paling buruk, mereka membuat ponsel Anda frustasi.

Ketika teknologi berkembang dengan kecepatan kilat, bisakah kita bergerak menuju era di mana bot mirip Samantha bisa ada?

Data yang cerdas secara emosional

AI hari ini menggabungkan pemrosesan simbolik (AI menggunakan aturan dan logika eksplisit) dengan pembelajaran mesin dengan cara yang mengeksploitasi kekuatan masing-masing dan mengurangi kelemahan mereka.

Misalnya, pemrosesan simbolis memungkinkan kita menentukan pengetahuan dan perilaku yang mungkin sulit dipelajari dari data yang adil. Pembelajaran mesin melengkapi ini dengan membantu sistem beradaptasi dengan situasi yang tidak terduga dan konsep-konsep baru.

Kombinasi ini juga memiliki sifat yang berguna di luar mempercepat proses belajar. Di masa depan, ini bisa memberi kita kemampuan untuk berinteraksi dengan cara yang lebih mirip manusia dengan bot.

Karena, untuk semua kualitas menariknya, pembelajaran mesin pada dasarnya masih merupakan proses statistik. Ini berarti itu adalah cerminan dari kualitas data yang menjadi sandarannya.

Ini adalah berkah dan kutukan. Sensitivitas pembelajaran mesin terhadap karakteristik data inputnya berarti bahwa ia dapat dengan mudah mempelajari hal yang salah, seperti yang ditunjukkan dalam kasus Tay, robot rasis milik Microsoft.

Juga telah diperdebatkan bahwa data yang dipilih untuk pembelajaran mesin sering mencerminkan bias yang tidak disadari dari peneliti / pengembang (biasanya laki-laki kulit putih muda).

Untuk mendekati kapasitas Samantha dalam introspeksi dan penalaran, kita perlu memprogram semacam Kecerdasan Emosional Buatan ke dalam bot kita: untuk memungkinkan mereka menjawab

"Mengapa kamu memilih untuk melakukan ini?"

Dan bahkan sistem yang relatif sederhana saat ini mengambil langkah-langkah untuk mensintesis jawaban individualistis terhadap pertanyaan.

Tetapi sementara itu, memastikan bahwa kami menerapkan algoritma pembelajaran mesin kami ke data berkualitas baik di lingkungan yang diawasi dengan ketat adalah yang paling dekat dengan mesin cerdas emosional.

Web Semantik

Pencipta World Wide Web Tim Berners-Lee berada jauh di depan saat ia mengusulkan Web Semantik kembali pada tahun 2001:

‘Sistem yang memungkinkan komputer untuk menyimpulkan makna dari hubungan antara sumber daya di Web’.

Pada dasarnya, mesin akan dapat menghubungkan ide, konsep dan fakta, bukan dokumen dan halaman.

Ini akan memungkinkan 'asisten komputer' seperti Samantha untuk 'membaca' informasi tentang kami dan beroperasi atas nama kami: menjadwalkan janji temu kami secara otomatis, mengatur perjalanan kami, membuat reservasi makan malam. Halo, PA dari impian kita.

Visi Berners-Lee telah direalisasikan sampai batas tertentu oleh Grafik Pengetahuan Google, yang mengharuskan Google untuk mempekerjakan ribuan orang untuk memasukkan aturan eksplisit ke dalam representasi simbolik dari pengetahuan yang masuk akal.

Ini memungkinkan Google untuk menjawab pertanyaan dengan sedikit kotak data terstruktur (di bawah), bukan hanya daftar halaman web.

Teknologi pengenalan gambar mungkin juga merupakan pendahulu dari web semantik; AI ini sudah dapat mengenali kata kunci, demografi, warna dan wajah dalam gambar.

Pengenalan ucapan alami

Kemampuan untuk memahami bahasa alami merupakan pusat keberhasilan bot; dengan teks, tetapi juga dengan pengenalan suara.

Idealnya, bot harus dapat mencapai tujuannya dengan mengisi bagian yang kosong secara otomatis.

Siri, Cortana, dan Alexa belum cukup pada standar Samantha. Namun penampilannya di bidang ini tampaknya tidak terjangkau.

Tingkat kesalahan pengenalan ucapan turun sekitar 20% setiap tahun, dengan Google baru-baru ini mencapai hanya 4,1% - hampir seakurat manusia.

Peningkatan ini dapat dikaitkan dengan serangkaian inovasi: array multi-mikrofon, balok arah, pemrosesan suara canggih dan penerapan biometrik suara.

Analisis adegan auditori adalah teknik menjanjikan lain yang mencoba memisahkan sumber suara yang berbeda.

Pengenalan suara juga mendapat manfaat dari kumpulan data yang semakin besar yang digunakan untuk melatih model statistik menggunakan teknik pembelajaran mesin: salah satunya disebut Deep Neural Networks (DNNs).

DNN terdiri dari beberapa lapisan unit pemrosesan yang terinspirasi oleh jaringan saraf otak manusia.

Mereka dapat mengklasifikasikan berbagai input - gambar, urutan kata, lokasi dan ucapan ucapan - ke dalam kategori yang diinginkan, seperti representasi kata, objek dan makna.

Konteks dan abstraksi

Jenis penalaran yang kita lakukan sebagai manusia bergantung pada pemahaman konteks dan membuat kesimpulan. Terkadang ini logis, tetapi lebih sering didasarkan pada pengetahuan umum kita tentang dunia: menyadari bahwa X mungkin akan mengarah ke Y.

Ketika diterapkan pada AI, asisten virtual yang ideal harus dapat mengusulkan alternatif ketika dihadapkan dengan kendala, mempertimbangkan berbagai kemungkinan dan memahami kelebihannya:

Saya: “Saya ingin membeli sepatu di Melissa hari ini”
Bot: "Maaf, Melissa ditutup. Mengapa Anda tidak mencoba Office, yang serupa dan terdekat? "

Bot pada prinsipnya dapat mempelajari asosiasi ini melalui coba-coba, tetapi ini akan memakan waktu lama: untuk setiap interaksi ada sejuta variasi yang berbeda.

Beberapa peneliti AI berpendapat bahwa kunci bagi komputer untuk belajar dengan analogi. Kapasitas inilah yang memungkinkan manusia untuk menggeneralisasi dari satu situasi ke situasi lain, untuk abstrak dari konteks ke tingkat pemahaman yang lebih tinggi

Bot yang terdengar manusia

Jangkauan emosional dan belok dalam suara Samantha masih di luar jangkauan kita, tetapi model generasi bicara baru seperti Google WaveNet mampu menghasilkan suara artifisial yang "meyakinkan meyakinkan".

Tidak ada lagi robot Siri.

Suara yang terdengar alami meningkatkan kesan kami tentang kecerdasan mesin secara besar-besaran. Kelemahan dari ini adalah bahwa hal itu meningkatkan harapan atas nama pengguna, berpotensi menyebabkan kegagalan percakapan dan frustrasi.

Dan kita semua tahu betapa jauh lebih sedikit kesabaran yang kita miliki dengan mesin dibandingkan dengan manusia ...

Apakah sebuah bot bisa memenuhi harapan kita, kita cenderung untuk menaruh kepercayaan kita pada mesin yang menunjukkan perilaku seperti manusia (permainan kata, lelucon, lelucon, kutipan, dan kesimpulan emosional).

Ini mengingatkan tes Turing, di mana hakim manusia terlibat dalam percakapan dengan manusia lain dan mesin. Jika juri tidak dapat memberi tahu mesin dari manusia, mesin tersebut telah lulus tes.

Wawasan

Bisakah AI membantu kami mengembangkan 'wawasan'?

Wawasan, pada intinya, memberi Anda sesuatu yang baru dan berharga. Yang paling penting, ini membantu memandu keputusan dan tindakan di masa depan - sesuatu yang rumit untuk dipahami oleh perangkat lunak.

Kami tahu wawasan ketika kami melihatnya, tetapi sulit untuk menentukan atau menggambar batas-batas yang tajam di sekitarnya. Dan mampu mengembangkan wawasan melibatkan identifikasi pola, hubungan, korelasi.

Beberapa proyek pembelajaran mesin telah menyelidiki bidang ini.

Misalnya, Pikiran Dalam Google (yang juga menggunakan DNN) pandai mengidentifikasi pola-pola baru, pada tingkat kerumitan yang dalam satu kasus (permainan Go) melebihi manusia. Tetapi teknik seperti ini hanya berfungsi jika kita memberi tahu mesin apa tujuannya (dalam hal ini: memenangkan permainan).

Hanya manusia yang dapat mengidentifikasi pola-pola baru yang menarik tanpa tujuan yang ditentukan sebelumnya. Mesin dapat mengidentifikasi pola jika mengerti tujuan; hanya manusia yang dapat mengidentifikasi pola secara kreatif.

Di sisi lain, satu masalah yang dihadapi manusia adalah ketika kita fokus pada tugas tertentu, kita mengandalkan banyak informasi. Sebagian dari informasi itu diperoleh secara tidak sadar, melalui pengalaman; beberapa di antaranya melalui pembelajaran yang disengaja.

Tetapi ketika volume informasi meningkat, jumlah yang dapat kita selidiki menjadi semakin berkurang secara proporsional.

Jadi, di sinilah mesin memiliki keuntungan; mereka lebih baik dalam menangani kumpulan data yang luas.

Saat kami mengumpulkan dan mengintegrasikan data ini, mesin dapat berkolaborasi dengan kami di area di mana kami berjuang.

Dan pada saat ini, sebagian besar informasi digital dalam bentuk teks - yaitu, data tidak terstruktur, daripada data terstruktur yang ditemukan dalam database tradisional.

Data tekstual

Ini membawa kita ke bidang membaca mesin yang, selama 20 tahun terakhir, telah pindah dari laboratorium penelitian dan ke aplikasi komersial.

Meskipun masih jauh dari sempurna, teknik otomatis untuk memahami teks tertulis baru-baru ini telah matang dengan cepat, didorong oleh perkembangan baru dalam AI.

Ini sebuah contoh.

Seorang pasien berjalan ke kantor dokter dengan penyakit langka yang dokter tidak kenal. Dokter berkonsultasi dengan asisten digitalnya, yang memindai semua jurnal medis, fakta dan informasi yang pernah ditulis tentang penyakit ini dalam hitungan detik.

Itu kemudian merangkum informasi ini dan menyajikannya kepada dokter dalam potongan-potongan gigitan.

Maluuba, sebuah startup pembelajaran mendalam yang baru-baru ini diakuisisi oleh Microsoft, sedang mencoba mengembangkan 'mesin literasi' yang dapat membaca teks dan belajar berkomunikasi berdasarkan ini.

Pada dasarnya, komputer dapat mensurvei, membuat dan meringkas sejumlah besar teks dengan cara yang tidak pernah kita impikan.

Dan kami tidak harus menggunakan bahasa pemrograman komputer yang sangat teknis atau permintaan basis data untuk mengatakan apa yang kami cari: sistem yang baru dikembangkan juga dapat menggunakan bahasa alami untuk mengajukan pertanyaan tentang teks.

Ini adalah sesuatu yang sudah kita kenal sampai batas tertentu, berkat mengetik kueri ke suka Google (Lengkapi otomatis membuat ini lebih mudah).

Semua ini menjadikan bot pewaris alami tradisi ini.

Kudeta terakhir adalah sekarang kita memiliki personalisasi oleh aplikasi yang belajar melalui interaksi.

Misalnya, Replika mengembangkan pola bahasa yang aneh berdasarkan pemindaian melalui sesi obrolan terakhir, menciptakan pengetahuan tentang preferensi dan prioritas pengguna.

Dan ini membawa kita sangat dekat dengan wilayah Samantha.

Kecerdasan manusia bertenaga AI

Selama revolusi industri pertama, mesin mulai mengambil alih kerja manual.

Hari ini, dengan Industry 4.0, mereka juga mengambil alih kerja mental manual.

Hampir semua tugas berbasis rutin dapat diotomatisasi.

Dan, sebagai tenaga penjualan dan pemasar, ada banyak tugas sehari-hari yang kami tidak keberatan melepaskan diri, seperti:

... secara manual memasukkan entri data, mencari topik dan artikel ide, mengarungi email tanpa akhir ...

Dengan meneruskan ini ke 'kecerdasan' Artifisial Cerdas, kami dapat memfokuskan upaya kami di bidang yang kami (sebagai manusia) unggul, dan yang membedakan kami (sebagai manusia) dari mesin.

Ini adalah titik awal kami dalam mengembangkan GrowthBot, bot penjualan dan pemasaran kami yang dirancang untuk membantu Anda mengembangkan bisnis Anda.

AI tidak dapat menghasilkan wawasan baru; tetapi hal itu dapat membantu kita membuat kreativitas kita bermain lebih efektif.

Kita mungkin melihat banyak data, hubungan, dan korelasi, dan berpikir kita melihat sesuatu yang baru, sesuatu yang membantu kita memahami dunia dengan lebih baik.

Lagipula, itulah keahlian manusia.

Tetapi apakah wawasan itu hanya dugaan, atau lebih dari itu? Di situlah kita dapat menginstruksikan otomatisasi untuk masuk, untuk menghilangkan asumsi dan menciptakan transparansi.

Seperti yang kita lihat, aspek AI yang paling menjanjikan bukanlah kemampuan untuk meniru teman hidup seperti Samantha - tetapi penguatan kecerdasan kita sendiri sebagai manusia.

Terima kasih sudah membaca.

Jika Anda menikmati artikel ini, silakan tekan tombol bertepuk untuk membantu orang lain menemukannya.

.

Awalnya diterbitkan di blog.growthbot.org.