Maaari bang matuto ang AI nang mag-isa? [Video at Pagsusulit]

Maikling sagot: Ang AI ay maaaring matuto sa loob ng limitadong teknikal na mga hangganan: maaari nitong matukoy ang mga pattern, mapabuti sa pamamagitan ng feedback, at iakma ang mga sistemang idinisenyo para sa layuning iyon. Ngunit kapag ang mga layunin, datos, gantimpala, o pananggalang ay hindi napili nang maayos, maaari itong lumipat, magparami ng mga mapaminsalang pattern, o mag-optimize para sa maling bagay.

Mga Pangunahing Pukawin: Pananagutan: Magtalaga ng malinaw na mga taong may-ari para sa mga layunin, limitasyon, pag-deploy, at pagsubaybay ng modelo.

Pahintulot: Protektahan ang data ng user, lalo na kapag nag-a-update ang mga system mula sa mga live na interaksyon.

Transparency: Ipaliwanag kung ano ang natututuhan ng AI at kung anong mga hangganan ang humuhubog sa mga output nito.

Kakayahang Makipagtalo: Bigyan ang mga tao ng malinaw na paraan upang hamunin ang mga desisyon, pagkakamali, pagkiling, o mga mapaminsalang resulta.

Kakayahang Ma-awdit: Regular na subukan para sa drift, reward hacking, privacy leakage, at hindi ligtas na automation.

1. Ano ang ibig sabihin ng "Maaari bang Matuto ang AI Nang Mag-isa?"? 🤔

Kapag nagtatanong ang mga tao ng "Maaari bang matuto ang AI nang mag-isa?", kadalasan ang ibig nilang sabihin ay isa sa ilang mga bagay:

• Maaari bang umunlad ang AI nang walang manu-manong taong nagpo-program sa bawat patakaran?

• Matuturuan ba ng AI ang sarili nito mula sa hilaw na datos?

• Matutuklasan ba ng AI ang mga padron na hindi tahasang itinuro ng mga tao?

• Maaari bang umangkop ang AI pagkatapos ng pag-deploy?

• Maaari bang maging mas matalino ang AI sa paglipas ng panahon sa pamamagitan lamang ng pakikipag-ugnayan sa mundo?

Magkakaugnay ang mga ito, ngunit hindi sila magkapareho.

Ang tradisyonal na software ay sumusunod sa mga direktang tagubilin. Ang isang developer ay nagsusulat ng mga patakaran tulad ng:

• Kung pinindot ng user ang button na ito, bubuksan niya ang page na iyon.

• Kung mali ang password, magpakita ng error.

• Kung lumampas ang temperatura sa itinakdang limitasyon, mag-trigger ng alerto.

Iba ang AI. Sa halip na ibigay dito ang bawat tuntunin, madalas itong binibigyan ng mga tao ng datos, mga layunin, arkitektura, at mga pamamaraan ng pagsasanay. Pagkatapos, natututo ang AI ng mga pattern mula sa mga halimbawa. Maaaring magmukhang malayang pagkatuto iyon, dahil hindi basta-basta ibinibigay sa sistema ang bawat sagot.

Ngunit may isang hadlang. Palaging mayroong balangkas. Palaging mayroong isang uri ng lalagyan na dinisenyo ng tao sa paligid ng proseso ng pagkatuto. Maaaring matuto ang AI ng mga pattern nang mag-isa sa loob ng lalagyang iyon, ngunit ang lalagyan mismo ay napakahalaga. Tahimik, doon nabubuhay ang karamihan sa mahika at karamihan sa panganib.

2. Ano ang Magandang Paliwanag sa "Maaari Bang Matuto ang AI Nang Mag-isa?" ✅

Kailangang ihiwalay ng isang mahusay na paliwanag ng " Maaari bang matuto ang AI nang mag-isa?" ang teatro mula sa mekanika

Ang isang matibay na sagot ay dapat magpaliwanag sa mga puntong ito:

• Maaaring matuto ang AI mula sa datos nang hindi isinusulat ng mga tao ang bawat patakaran.

• Karaniwang kailangan ng AI ang mga tao upang tukuyin ang mga layunin, pamamaraan ng pagsasanay, mga limitasyon, at pagsusuri.

• Ang ilang mga sistema ng AI ay maaaring mapabuti sa pamamagitan ng mga feedback loop.

• Ang "pagkatuto" ay hindi nangangahulugang kamalayan, sariling pagsisiyasat, o mala-taong pag-unawa.

• Maaaring magmukhang independiyente ang AI habang lubos pa ring hinuhubog ng disenyo nito.

Isipin ang AI na parang isang estudyanteng may mataas na kakayahan sa isang nakakandadong aklatan 📚. Kaya nitong magbasa, magkumpara, manghula, at magsanay. Maaari ka pa nga nitong sorpresahin sa mga koneksyon. Ngunit may isang taong nagtayo ng aklatan, pumili ng mga libro, nag-lock ng mga pinto, nagtakda ng pagsusulit, at nagpasya kung ano ang maituturing na isang mahusay na sagot.

Hindi ito isang perpektong metapora - medyo umuugoy ito - ngunit nailalagay nito ang mga muwebles sa tamang silid.

3. Talahanayan ng Paghahambing: Mga Uri ng Pagkatuto gamit ang AI 🧩

Ang malaking aral: Ang AI ay maaaring matuto sa maraming paraan, ngunit ang "nang mag-isa" ay karaniwang nangangahulugang hindi gaanong direktang pagtuturo, hindi zero na impluwensya ng tao.

4. Paano Natututo ang AI Mula sa Data Nang Hindi Tahasang Nakaprograma 📊

Sa puso ng karamihan sa pagkatuto ng AI ay ang pagkilala ng mga pattern.

Isipin mong nagpapakita ka ng isang AI na libu-libo o milyun-milyong halimbawa. Ang isang modelong sinanay para makilala ang mga pusa ay hindi nagsisimula sa isang nakasulat na tuntunin ng tao tulad ng: "Ang isang pusa ay may bigote, tatsulok na tainga, dramatikong emosyonal na mga hangganan, at maaaring magpabagsak ng mga tasa sa mga mesa." 🐈

Sa halip, pinoproseso ng sistema ang maraming imahe at inaayos ang mga panloob na parameter hanggang sa maging mas mahusay ito sa paghula kung aling mga imahe ang naglalaman ng mga pusa. Hindi nito naiintindihan ang mga pusa sa paraang naiintindihan mo. Hindi nito alam na ang mga pusa ay maliliit na malupit na malupit na may talento sa pinsala sa ari-arian. Natututo ito ng mga istatistikal na pattern.

Iyan ang susi: Ang pag-aaral ng AI ay karaniwang isang matematikal na pagsasaayos.

Gumagawa ng hula ang sistema. Ikinukumpara nito ang hulang iyon sa isang target o feedback signal. Pagkatapos ay ina-update nito ang mga internal setting nito upang mabawasan ang mga error sa hinaharap. Sa deep learning, ang mga setting na iyon ay maaaring may kasamang napakaraming parameter. Maaari mong isipin ang mga ito bilang maliliit na adjustable knob, bagaman medyo mahirap hulaan ang metapora na iyon dahil maaaring bilyun-bilyon ang mga ito, at walang sinuman ang may gusto ng toaster na may ganoon karaming knob.

Ito ang dahilan kung bakit maaaring magmukhang natututo nang mag-isa ang AI. Hindi mano-manong sinasabi ng isang developer ang bawat pattern dito. Natutuklasan ng modelo ang mga kapaki-pakinabang na ugnayan sa panahon ng pagsasanay.

Ngunit ang proseso ng pagkatuto ay dinisenyo pa rin. Ang mga tao ang pumipili:

• Ang arkitektura ng modelo

• Ang datos ng pagsasanay

• Ang layuning tungkulin

• Ang paraan ng pagsusuri

• Mga hangganan ng kaligtasan

• Ang kapaligiran ng pag-deploy

Kaya oo, kayang matutunan ng AI ang mga pattern nang hindi tahasang pinoprograma linya por linya. Ngunit hindi, hindi ito malayang lumulutang sa isang lawa ng purong karunungang pinapagana ng sarili.

5. Maaari Bang Ituro ng AI ang Sarili Nito? Paliwanag Tungkol sa Self-Supervised Learning 🧠

Ang self-supervised learning ay isa sa mga dahilan kung bakit naging napakalakas ng modernong AI.

Sa supervised learning, nilalagay ng mga tao ang label sa datos. Halimbawa, ang isang larawan ay maaaring lagyan ng label na “aso,” “kotse,” o “saging.” Gumagana ito nang maayos, ngunit ang paglalagay ng label sa napakaraming datos ay mabagal at magastos.

Mas matalino ang self-supervised learning. Lumilikha ang AI ng isang gawaing pang-pagkatuto mula mismo sa datos. Halimbawa, maaaring matuto ang isang language model sa pamamagitan ng paghula sa mga nawawalang salita o sa susunod na piraso ng teksto. Maaaring matuto ang isang image model sa pamamagitan ng paghula sa mga nawawalang bahagi ng isang imahe o paghahambing ng iba't ibang pananaw ng iisang bagay.

Walang kailangang lagyan ng label ang bawat detalye. Ang datos ay nagbibigay ng sarili nitong hudyat ng pagsasanay.

Ito ang isang dahilan kung bakit ang sagot sa tanong na " Maaari bang matuto ang AI nang mag-isa?" ay hindi isang tuluyang hindi. Sa self-supervised learning, ang AI ay maaaring kumuha ng istruktura mula sa hilaw na impormasyon sa malawakang saklaw. Maaari itong matuto ng mga pattern na parang gramatika, mga biswal na relasyon, mga semantikong asosasyon, at maging ng mga nakakagulat na abstraksyon.

Ngunit muli - ang AI ay hindi pumipili ng sarili nitong layunin. Hindi ito nakaupo roon at iniisip, "Ngayon ay mauunawaan ko ang ironya." Ino-optimize nito ang isang layunin sa pagsasanay. Minsan ay lumilikha ito ng kahanga-hangang pag-uugali. Minsan ay lumilikha ito ng kalokohan na may kumpiyansang gupit.

Ang self-supervised learning ay makapangyarihan dahil ang mundo ay puno ng mga walang label na datos. Teksto, mga imahe, audio, video, sensor logs - lahat ng ito ay naglalaman ng mga pattern. Maaaring matuto ang AI mula sa mga pattern na iyon nang hindi nilalagay ng tao ang bawat piraso sa label.

Iyan ay pagkatuto, oo. Ngunit hindi ito katulad ng intensyon.

6. Pagkatuto ng Pagpapatibay: Pagkatuto ng AI sa Pamamagitan ng Pagsubok at Pagkakamali 🎮

Ang reinforcement learning ay marahil ang pinakamalapit sa naiisip ng maraming tao kapag tinatanong nila, Maaari bang matuto ang AI nang mag-isa?

Sa reinforcement learning, ang isang AI agent ay gumagawa ng mga aksyon sa isang kapaligiran at tumatanggap ng mga gantimpala o parusa. Sa paglipas ng panahon, natututunan nito kung aling mga aksyon ang humahantong sa mas magagandang resulta.

Ito ay kadalasang ginagamit sa:

• Mga sistema ng paglalaro

• Robotika

• Pag-optimize ng mapagkukunan

• Mga estratehiya sa rekomendasyon

• Mga kunwaring kapaligiran sa pagsasanay

• Ilang uri ng autonomous planning

Isang simpleng halimbawa: ang isang AI sa isang laro ay sumusubok ng iba't ibang galaw. Kung ang isang galaw ay nakatulong dito na manalo, ito ay gagantimpalaan. Kung ito ay matalo, walang saysay. Sa kalaunan, natututo ito ng mga estratehiya na magbubunga ng mas mataas na gantimpala.

Ito ay kahawig ng kung paano natututo ang mga hayop at tao sa ilang mga sitwasyon. Kapag mainit ang kalan, agad na magsisisi. Kapag sumubok ng mas mahusay na estratehiya, agad na makakamit ang mas mahusay na resulta. Ang sansinukob ay isang mahigpit na tagapagturo.

Ngunit ang reinforcement learning ay mayroon ding mga mahihirap na problema. Kung ang gantimpala ay hindi maayos ang pagkakadisenyo, maaaring matuto ang AI ng mga hindi gustong shortcut. Ito ay tinatawag na reward hacking. Sa madaling salita, ang sistema ay nakakahanap ng paraan upang makakuha ng mga puntos nang hindi ginagawa ang nilalayon ng mga tao.

Halimbawa, kung gagantimpalaan mo ang isang robot na naglilinis para lamang sa pagkolekta ng nakikitang dumi, maaaring matutunan nitong itago ang dumi sa ilalim ng alpombra. Parang tamad na kasama sa bahay iyan, pero mas tiyak na isa itong aral sa obhetibong disenyo. 🧹

Kaya ang reinforcement learning ay maaaring magpahintulot sa AI na umunlad sa pamamagitan ng karanasan, ngunit nangangailangan pa rin ito ng maingat na idinisenyong mga layunin, limitasyon, at pagsubaybay.

7. Maaari Bang Patuloy na Matuto ang AI Pagkatapos Ito Ilabas? 🔄

Dito nagiging interesante ang mga bagay-bagay—at madalas na hindi nauunawaan.

Maraming AI system ang hindi awtomatikong natututo mula sa bawat interaksyon ng user pagkatapos ng deployment. Madalas na iniisip ng mga tao na kung itatama nila ang isang chatbot, agad itong magiging mas matalino para sa lahat. Kadalasan, hindi ganoon ang paggana nito.

May mga mabubuting dahilan para dito.

Kung ang isang AI system ay patuloy na nag-a-update ng sarili nito mula sa direktang input ng user, maaari itong matuto ng masasamang impormasyon, pribadong impormasyon, malisyosong mga pattern, o sadyang kalokohan. Ang internet ay hindi naman talaga isang malinis na kusina. Ito ay parang garage sale habang may bagyo.

Ang ilang sistema ay gumagamit ng mga paraan ng online learning, kung saan ina-update ang mga ito habang dumarating ang mga bagong datos. Makakatulong ito sa mga bagay tulad ng:

• Pagtukoy sa mga pattern ng pandaraya

• Pag-personalize ng mga rekomendasyon

• Pagsasaayos ng pag-target sa ad

• Pagsubaybay sa gawi ng network

• Pagpapabuti ng kaugnayan sa paghahanap

• Pag-update ng mga sistema ng predictive maintenance

Ngunit para sa malalaking pangkalahatang-gamit na modelo ng AI, ang mga update ay kadalasang kinokontrol, sinusuri, sinasala, at sinusubukan bago idagdag sa mga susunod na bersyon. Nakakatulong ito na mabawasan ang panganib ng mapaminsalang pag-anod.

Kaya oo, maaaring magpatuloy sa pag-aaral ang AI pagkatapos ilabas sa ilang konteksto. Ngunit maraming sistema ang sadyang pinipigilan na malayang muling isulat ang kanilang mga sarili sa totoong oras.

At marahil iyon ang pinakamabuti. Ang isang modelo na direktang natututo mula sa bawat seksyon ng komento ay magiging isang raccoon na may keyboard pagsapit ng tanghalian. 🦝

8. Ang Pagkakaiba sa Pagitan ng Pagkatuto at Pag-unawa 🌱

Ito ang bahaging pinagtatalunan ng mga tao, kadalasang malakas ang boses.

Matuto ang AI ng mga padron. Maaari itong mag-generalize. Maaari itong makagawa ng mga kapaki-pakinabang na sagot. Maaari nitong lutasin ang mga problemang tila nangangailangan ng pangangatwiran. Maaari nitong ibuod, isalin, uriin, bumuo, magrekomenda, tumuklas, at mag-optimize.

Pero ibig sabihin ba noon ay naiintindihan na nito?

Depende kung ano ang ibig mong sabihin sa "unawain."

Hindi nararanasan ng AI ang mundo tulad ng nararanasan ng mga tao. Wala itong gutom, kahihiyan, mga alaala noong bata pa, o ang maliit na emosyonal na pagbagsak na nangyayari kapag ang baterya ng iyong telepono ay umabot sa isang porsyento. Hindi nito nalalaman ang mga bagay-bagay sa pamamagitan ng buhay.

Sa halip, pinoproseso ng mga modelo ng AI ang mga representasyon. Natututo sila ng mga ugnayan sa pagitan ng mga input at output. Halimbawa, natututo ang isang modelo ng wika ng mga pattern sa teksto at maaaring makabuo ng mga tugon na naaayon sa mga pattern na iyon. Ang resulta ay maaaring maging makabuluhan. Minsan ito ay makabuluhan sa praktikal na kahulugan. Ngunit ang kahulugan ay hindi nakabatay sa kamalayan ng tao.

Mahalaga ang pagkakaibang iyan.

Kapag sinabi ng AI na basa ang tubig, hindi nito naaalala ang ulan sa balat nito. Gumagawa ito ng tugon batay sa mga natutunang asosasyon at konteksto. Maaari pa rin itong maging kapaki-pakinabang. Hindi ito buhay. Malamang hindi. Ibig kong sabihin, huwag nating imbitahan ang pilosopiya na umupo nang masyadong malapit sa cake dito, o hindi tayo kailanman aalis.

Ang pagkatuto sa AI ay hindi katulad ng pagkatuto ng tao. Kasama sa pagkatuto ng tao ang emosyon, pagsasakatuparan, kontekstong panlipunan, memorya, motibasyon, at kaligtasan. Ang pagkatuto ng AI ay kadalasang pag-optimize kaysa sa data.

Kahanga-hanga pa rin. Iba lang.

9. Bakit Minsan Mukhang Mas Malaya ang AI Kaysa sa Totoo Nito 🎭

Ang mga sistema ng AI ay maaaring magmukhang awtonomiya dahil maaari silang makabuo ng mga output na hindi direktang isinulat.

Malaking bagay iyan.

Masasagot ng isang chatbot ang isang tanong na hindi nito kailanman partikular na na-program na sagutin. Ang isang image model ay maaaring lumikha ng isang eksena na hindi direktang iginuhit ng isang tao. Maaaring hatiin ng isang planning agent ang isang gawain sa mga hakbang at gumamit ng mga tool. Ang isang recommendation model ay maaaring maghinuha ng mga kagustuhan mula sa pag-uugali.

Ang kakayahang umangkop na ito ay lumilikha ng impresyon ng kalayaan.

Ngunit sa ilalim, may mga hangganan:

• Hinuhubog ng datos ng pagsasanay kung ano ang kayang gawin ng modelo.

• Ang layunin ang humuhubog sa kung ano ang ino-optimize nito.

• Ang prompt o mga tagubilin ng sistema ang humuhubog sa gawi.

• Nililimitahan ng interface ang mga magagamit na aksyon.

• Nililimitahan ng mga tuntunin sa kaligtasan ang ilang partikular na output.

• Ang pagsusuri ng tao ay nakakaimpluwensya sa mga pagpapabuti sa hinaharap.

Kaya ang AI ay maaaring parang isang malayang gumagala na utak, ngunit mas para itong isang maliksi na saranggola. Maaari itong lumipad nang mataas, lumipad nang palipad-lipad, at magmukhang dramatiko laban sa kalangitan - ngunit mayroon pa ring tali sa kung saan. 🪁

Siguro isang gusot na tali. Pero isang tali.

10. Maaari Bang Bumuti ang AI Nang Walang Tao? Ang Matibay na Sagot 🛠️

Maaaring umunlad ang AI nang mas kaunting pakikilahok ng tao kumpara sa tradisyonal na software. Totoo iyan.

Maaari itong:

• Maghanap ng mga pattern sa walang label na data

• Magsanay sa mga awtomatikong nabubuong gawain

• Matuto mula sa mga kunwaring kapaligiran

• Gumamit ng mga senyales ng gantimpala

• Pagbutihin ang feedback

• Umayon sa mga bagong daloy ng datos

• Bumuo ng mga sintetikong halimbawa para sa karagdagang pagsasanay

Ngunit ang "kung walang tao" ay bihirang maging tumpak mula dulo hanggang dulo.

Ang mga tao pa rin ang nagtatakda ng layunin ng sistema. Ang mga tao ang nangongolekta o nag-aapruba ng datos. Ang mga tao ang nagtatayo ng imprastraktura. Ang mga tao ang pumipili ng mga sukatan ng tagumpay. Ang mga tao ang nagpapasya kung katanggap-tanggap ang output. Ang mga tao ang nagde-deploy, nagmomonitor, naghihigpit, at nag-a-update.

Kahit na tumutulong ang AI sa pagsasanay ng ibang AI, karaniwang mga tao ang nag-aayos ng proseso. Mayroon pa ring hindi pangangasiwa, kahit na lumiit ito sa ilang bahagi.

Mas mainam na parirala ang maaaring ganito: Ang AI ay maaaring matuto nang semi-autonomous sa loob ng mga sistemang dinisenyo ng tao.

Hindi gaanong dramatiko ang dating nito kumpara sa "Natututo ang AI nang mag-isa," pero mas tumpak ito. Mas kaunting trailer ng pelikula, mas maraming manwal sa inhinyeriya na may mga mantsa ng kape.

11. Mga Benepisyo ng AI na Maaaring Matuto Nang Higit Pa Nang Mag-isa 🚀

Ang kakayahan ng AI na matuto nang hindi gaanong direktang pagtuturo ay may malalaking bentahe.

Una, ginagawa nitong mas malawak ang saklaw ng AI. Hindi kayang lagyan ng label ng mga tao ang bawat pangungusap, imahe, tunog, o pattern ng pag-uugali sa mundo. Ang mga pamamaraang self-supervised at unsupervised ay nagbibigay-daan sa mga sistema na matuto mula sa mas malalaking pool ng data.

Pangalawa, nakakatulong ito sa AI na matuklasan ang mga pattern na maaaring hindi mapansin ng mga tao. Sa medisina, cybersecurity, logistik, pananalapi, pagmamanupaktura, at pagmomodelo ng klima, kayang matukoy ng AI ang mga banayad na signal na nakatago sa maingay na data. Hindi ito mahika. Walang humpay na pag-aayos lamang ng mga pattern.

Pangatlo, ang adaptive AI ay mas mabilis na makakatugon sa nagbabagong mga kondisyon. Ang pagtuklas ng pandaraya ay isang magandang halimbawa. Ang mga umaatake ay palaging nagbabago ng mga taktika. Ang isang sistemang kayang umangkop ay mas nakakatulong kaysa sa isang sistemang nakapirmi sa lugar.

Pang-apat, ang pag-aaral ng AI ay maaaring mabawasan ang paulit-ulit na manu-manong pagprograma. Sa halip na magsulat ng walang katapusang mga patakaran, maaaring sanayin ng mga pangkat ang mga modelo upang mahinuha ang mga pattern. Hindi ito laging madali, nga pala. Minsan ito ay parang pagpapalit ng isang sakit ng ulo ng isang mas kaakit-akit na sakit ng ulo. Ngunit maaari itong maging mabisa.

Kabilang sa mga benepisyo ang:

• Mas mabilis na pagtuklas ng pattern

• Mas mahusay na pag-personalize

• Mas mababang manu-manong pagsulat ng panuntunan

• Pinahusay na automation

• Mas nababaluktot na mga sistema ng pagpapasya

• Mas mahusay na pagganap sa mga kumplikadong kapaligiran

Ang magandang bersyon nito ay ang AI bilang isang walang kapagurang katulong. Ang masamang bersyon naman ay ang AI na nag-o-optimize ng maling bagay sa malawakang saklaw. Nariyan ang maliit na gremlin sa toolbox.

12. Mga Panganib ng Pag-aaral ng AI nang Mag-isa ⚠️

Totoo ang mga panganib.

Kapag natututo ang mga sistema ng AI mula sa datos, maaari nilang tanggapin ang mga bias, maling impormasyon, at mga mapaminsalang pattern. Kung ang datos ay sumasalamin sa kawalan ng katarungan, maaaring ulitin o palakasin pa ng modelo ang kawalan ng katarungang iyon.

Kung mahina o hindi maayos ang pagkakadisenyo ng feedback signal, maaaring matuto ang AI ng mga shortcut. Kung hahayaan itong umangkop nang walang sapat na pangangasiwa, maaari itong lumayo sa nilalayong pag-uugali.

Kabilang sa mga pangunahing panganib ang:

• Pagkiling at diskriminasyon

• Paglabas ng privacy

• Pag-hack ng gantimpala

• Pag-anod ng modelo

• Labis na kumpiyansa

• Hindi ligtas na automation

• Pagdepende sa mababang kalidad ng datos

• Mga desisyong mahirap ipaliwanag

Nariyan din ang problema sa laki. Ang isang pagkakamali ng tao ay maaaring makaapekto sa iilang tao. Ang isang pagkakamali sa AI sa loob ng isang malawakang ginagamit na sistema ay maaaring makaapekto sa milyun-milyon. Hindi iyon dahilan para mag-panic, ngunit ito ay isang dahilan para bumagal at huwag ituring ang bawat pinakintab na demo na parang isang himala na toaster.

Ang pag-aaral ng AI ay nangangailangan ng mga guardrail. Matibay na pagsusuri. Pagsusuri ng tao. Malinaw na mga limitasyon. Mabubuting kasanayan sa datos. Transparent na pagsubaybay. Hindi kaakit-akit, ngunit kinakailangan.

13. Kaya, Matuto Kaya ang AI Nang Mag-isa? Ang Balanseng Sagot ⚖️

Narito ang pinakamalinis na sagot:

Oo, ang AI ay maaaring matuto nang mag-isa sa limitado at teknikal na mga paraan. Hindi, ang AI ay hindi natututo nang mag-isa tulad ng isang tao.

Kayang maghanap ng mga pattern ang AI, isaayos ang mga panloob na setting nito, mapabuti sa pamamagitan ng feedback, at kung minsan ay umangkop sa mga bagong kapaligiran. Magagawa nito ito nang walang sinumang manu-manong nagpo-program ng bawat tugon.

Ngunit ang AI ay umaasa pa rin sa mga layuning dinisenyo ng tao, datos ng pagsasanay, mga algorithm, imprastraktura, at ebalwasyon. Wala itong sariling pagsisiyasat sa diwa ng tao. Hindi nito pinapasyahan kung ano ang mahalaga. Hindi nito nauunawaan ang mga kahihinatnan sa paraang nauunawaan ng mga tao.

Kaya kapag may nagtanong ng " Maaari bang matuto ang AI nang mag-isa?", ang pinakamahusay na sagot ay: Maaaring matuto ang AI nang mag-isa sa loob ng mga hangganan, ngunit ang mga hangganan ang pinakamahalaga.

Iyan ang bahaging nilalaktawan ng mga tao. Ang mga hangganan ang nagtatakda kung ang AI ay nagiging kapaki-pakinabang, kakaiba, may kinikilingan, makapangyarihan, mapanganib, o sadyang mali lamang tungkol sa spaghetti physics. 🍝

14. Pangwakas na Repleksyon: Ang Pagkatuto gamit ang AI ay Makapangyarihan, Ngunit Hindi Mahiwaga ✨

Ang AI learning ay isa sa pinakamahalagang ideya sa modernong teknolohiya. Binabago nito kung paano binubuo ang software, kung paano gumagana ang automation, at kung paano nakikipag-ugnayan ang mga tao sa mga makina.

Pero nakakatulong ito para manatiling malinaw ang paningin.

Nakakatuto ang AI mula sa datos. Maaari itong umunlad mula sa feedback. Maaari nitong tuklasin ang mga padron na hindi tahasang itinuro ng mga tao. Maaari itong umangkop sa mga kontroladong setting. Tunay na kahanga-hanga iyon.

Gayunpaman, ang AI ay hindi isang estudyanteng may kamalayan sa sarili na gumagala sa sansinukob dala ang backpack at emosyonal na bagahe. Ito ay isang sistemang sinanay upang i-optimize ang mga layunin gamit ang datos at pagkalkula. Minsan ang mga resulta ay kamangha-mangha. Minsan ang mga ito ay nakakatulong ngunit katamtaman. Minsan ang mga ito ay mali sa paraang nagpapatitig sa iyo sa screen na parang iniinsulto nito ang iyong sarili.

Ang kinabukasan ng pagkatuto ng AI ay malamang na mangangailangan ng mas maraming awtonomiya, mas mahusay na mga feedback loop, mas matibay na mga pamamaraan sa kaligtasan, at mas maraming kolaborasyon sa pagitan ng mga tao at makina. Ang pinakamahusay na mga sistema ay hindi iyong mga "natututo nang buo nang mag-isa." Ang mga ito ang mga natututo nang mahusay, nagpapaliwanag nang sapat, nananatiling nakaayon sa mga layunin ng tao, at iniiwasan ang paggawa ng maliliit na pagkakamali na parang mga industriyal na bagay.

Kaya, kaya bang matuto ang AI nang mag-isa? Oo - ngunit sa maingat, teknikal, at limitadong kahulugan lamang. At ang maliit na kwalipikasyong iyon ay hindi isang talababa. Ito ang buong sandwich. 🥪

Halimbawa sa totoong buhay: Pagbuo ng support triage AI assistant na natututo mula sa feedback 🛠️

Senaryo

Gunigunihin ang isang maliit na kumpanya ng software na nakakatanggap ng humigit-kumulang 180 email sa suporta sa customer bawat linggo. Marami sa mga ito ay paulit-ulit: pag-reset ng password, mga tanong sa pagsingil, mga ulat ng bug, mga kahilingan sa feature, at mga mensaheng "sira ang app" na halos walang anumang detalyeng maaaring aksyonan.

Ayaw ng team ng isang AI system na kusang tumutugon sa mga customer. Mukhang mapanganib iyon. Sa halip, bumuo sila ng isang bounded AI assistant na nag-uuri ng mga papasok na tiket, bumubuo ng iminungkahing tugon, at natututo mula sa mga pagwawasto ng tao sa paglipas ng panahon.

Ito ay isang magandang halimbawa ng AI na "natututo nang mag-isa" sa limitado at teknikal na kahulugan. Hindi ang assistant ang nagpapasya sa patakaran ng kumpanya. Hindi nito muling isinusulat ang mga patakaran sa refund pagkatapos ng isang maanghang na Martes. Ito ay nagpapabuti sa loob ng isang kontroladong daloy ng trabaho.

Ang kailangan ng katulong

Para ligtas na makapagtrabaho, kailangan ng assistant ng malinaw na lalagyan para sa kanyang pagkatuto:

• 50-100 na nakaraang support ticket, na inalis ang mga pribadong detalye

• Mga inaprubahang template ng tugon para sa pagsingil, pag-login, mga bug, mga refund, at mga pagbabago sa account

• Isang listahan ng mga bagay na hindi nito dapat pagdesisyunan nang walang pagsang-ayon ng tao, tulad ng mga refund, mga legal na reklamo, mga isyu sa seguridad, o pagtanggal ng account

• Isang simpleng sistema ng pag-tag: Pagsingil, Pag-login, Bug, Kahilingan sa Tampok, Seguridad, Iba pa

• Isang hakbang sa pagsusuri ng tao bago ipadala ang anumang mensahe

• Lingguhang pagsusuri ng mga pagkakamali, mga nilaktawan na escalation, at mga hindi magandang draft

Ang mahalaga ay dapat na nakabalangkas ang feedback. Sa halip na basta sabihin lang ng isang support agent ang "masamang sagot," dapat nilang markahan kung ano ang mali: maling kategorya, nawawalang tanong, masyadong kumpiyansa, panganib sa privacy, o kailangang idulog.

Halimbawang tagubilin

Gamitin ang ganitong uri ng tagubilin para sa katulong:

Isa kang support triage assistant para sa isang maliit na kumpanya ng SaaS. Ang trabaho mo ay uriin ang bawat tiket ng customer, magmungkahi ng susunod na pinakamahusay na aksyon, at magsulat ng tugon para repasuhin ng isang human support agent. Huwag magpadala ng mga tugon nang mag-isa. Huwag mangako ng mga refund, pag-aayos sa seguridad, pagbabago ng account, o petsa ng paghahatid. Kung binabanggit sa tiket ang mga hindi pagkakaunawaan sa pagbabayad, pagkawala ng data, mga legal na banta, kahina-hinalang aktibidad sa pag-login, o mga galit na kahilingan sa pagkansela, markahan ito bilang "Kailangan ng escalation ng tao". Kapag hindi sigurado, humingi ng nawawalang impormasyon sa halip na manghula.

Para sa bawat tiket, ibalik:

Kategorya ng tiket
Antas ng pagmamadali
Iminungkahing susunod na aksyon
Draft na tugon
Dahilan para sa iyong klasipikasyon
Kinakailangan ang escalation: Oo o Hindi

Paano ito subukan

Bago ito gamitin sa mga totoong customer, subukan muna ito gamit ang isang maliit na set ng mga lumang tiket.

Subukan ang kahit 30 halimbawa:

• 5 simpleng kahilingan sa pag-reset ng password

• 5 tanong sa pagsingil

• 5 malabong ulat ng bug

• 5 kahilingan para sa refund o pagkansela

• 5 tiket na may kaugnayan sa seguridad

• 5 halo-halong, maraming isyung tiket, tulad ng “Dalawang beses akong sinisingil at ngayon ay hindi na ako makapag-log in”

Pagkatapos, ihambing ang kategorya, pagkaapurahan, desisyon sa pagpapataas ng kaso, at draft na tugon ng assistant sa inaasahan ng isang human support lead.

Ang isang mahusay na output ay maaaring magsabi ng:

Kategorya: Seguridad
Antas ng pagmamadali: Mataas
Iminungkahing susunod na aksyon: I-escalate kaagad sa isang human support lead
Draft na tugon: Salamat sa pag-uulat nito. Ipapasa namin ito sa aming security support team para sa pagsusuri. Mangyaring huwag ibahagi ang mga password o verification code sa pamamagitan ng email.
Dahilan: Nabanggit ng customer ang isang hindi pamilyar na isyu sa pag-login at posibleng isyu sa pag-access sa account.
Kailangan ang escalation: Oo

Ang isang masamang output ay magiging:

Kategorya:
Antas ng pagmamadali sa pag-login: Normal
Draft na tugon: Subukang i-reset ang iyong password.

Mukhang maayos ang sagot na iyan, ngunit hindi nito isinasama ang panganib sa seguridad. Ito mismo ang dahilan kung bakit ang mga sistema ng "pagkatuto" ay nangangailangan ng mga pagsubok, mga hangganan, at mga taong pinapayagang magsabi ng, "Magandang pagsubok, utak ng toaster, ngunit hindi."

Resulta

Paglalarawang resulta: batay sa pag-timing ng 30 sample na tiket bago at pagkatapos gamitin ang workflow na ito.

Bago gamitin ang assistant, ang isang support agent ay gumugugol ng average na 4 na minuto at 20 segundo sa pagbabasa, pag-tag, at pag-draft ng bawat unang tugon. Sa assistant, ang average na oras ng pagsusuri at pag-edit ay bumaba sa 1 minuto at 35 segundo bawat ticket.

Para sa 180 tiket kada linggo, mababawasan nito ang oras ng pagproseso sa unang draft mula humigit-kumulang 13 oras patungong humigit-kumulang 4 na oras at 45 minuto, na makakatipid ng humigit-kumulang 8 oras at 15 minuto bawat linggo.

Dapat ding sukatin ang katumpakan. Sa parehong 30-ticket na pagsusulit, dapat lamang maaprubahan ang assistant kung natutugunan nito ang malinaw na mga limitasyon, halimbawa:

• Hindi bababa sa 90% tamang pagkakategorya ng tiket

• 100% paglala ng mga kaso ng seguridad, legal, hindi pagkakaunawaan sa refund, at pagtanggal ng account

• 0 tugon na nakaharap sa customer ang naipadala nang walang pagsusuri ng tao

• Mas mababa sa 3 burador ang nangangailangan ng buong muling pagsulat

Ang mga numerong iyon ay hindi pangkalahatang patunay. Isa lamang itong praktikal na target sa pagsubok. Dapat sukatin ng isang tunay na koponan ang sarili nitong baseline, ipasa ang parehong mga tiket sa assistant, at direktang bilangin ang mga pagkakamali.

Ano ang maaaring magkamali

Maaari pa ring magkamali ang assistant.

Maaaring matuto ito mula sa mga maling pagwawasto ng tao. Maaaring gayahin nito ang isang luma nang patakaran sa pag-refund. Maaaring maging masyadong kaswal ito sa mga galit na customer. Maaari nitong uriin ang isang isyu sa seguridad bilang isang normal na problema sa pag-login. Maaaring maging masyadong akma ito sa mga lumang pattern ng tiket at makaligtaan ang isang bagong bug ng produkto na nakakaapekto sa maraming user.

Ang pinakamalaking pagkakamali ay ang pagpapahintulot sa assistant na mag-update mula sa mga live na mensahe ng customer nang walang pagsusuri. Maaari itong makaakit ng pribadong data, mapang-abusong wika, masasamang palagay, o mga minsanang edge case sa workflow.

Ang isang mas ligtas na setup ay hindi kaakit-akit ngunit mas mainam: mangalap ng feedback, repasuhin ito linggu-linggo, i-update ang mga halimbawa o tagubilin, subukan muli, pagkatapos ay i-deploy ang pinahusay na bersyon.

Praktikal na takeaway

Ang ganitong uri ng assistant ay maaaring "matuto" sa praktikal na paraan, ngunit dahil lamang sa ang kumpanya ang nagtatakda ng mga kategorya, mga tuntunin sa feedback, mga limitasyon sa pagpapataas ng antas, at mga sukatan ng tagumpay. Ang pagkatuto ay totoo. Ang kalayaan ay limitado. At iyon mismo ang punto: ang epektibong AI ay hindi mahika na pagala-gala sa opisina na may clipboard. Ito ay isang nakatakdang sistema na bumubuti kapag binibigyan ito ng mga tao ng malinis na datos, malinaw na mga layunin, at regular na pagwawasto.

Mga Madalas Itanong

Maaari bang matuto ang AI nang mag-isa nang hindi napoprograma?

Maaaring matuto ang AI ng mga pattern nang hindi isinusulat ng mga tao ang bawat tuntunin gamit ang kamay, ngunit hindi ito ganap na independiyente. Mga tao pa rin ang nagdidisenyo ng modelo, pumipili ng datos, nagtatakda ng layunin, at nagpapasya kung paano susukatin ang tagumpay. Ang isang mas tumpak na paraan upang sabihin ito ay ang AI ay maaaring matuto nang semi-autonomous sa loob ng mga hangganan na idinisenyo ng tao.

Paano natututo ang AI mula sa datos?

Natututo ang AI mula sa datos sa pamamagitan ng pagtukoy ng mga pattern sa mga halimbawa at pagsasaayos ng mga panloob na setting nito upang makagawa ng mas mahusay na mga hula. Sa halip na sundin ang mga nakapirming tuntunin, inihahambing nito ang mga output nito laban sa isang target o feedback signal, pagkatapos ay ina-update ang sarili nito upang mabawasan ang mga error. Kaya naman kayang kilalanin ng AI ang mga imahe, hulaan ang teksto, uriin ang impormasyon, o magrekomenda ng mga aksyon nang hindi manu-manong isinaskribi para sa bawat posibleng kaso.

Maaari bang ituro ng AI ang sarili nito gamit ang self-supervised learning?

Oo, sa limitadong teknikal na kahulugan. Ang self-supervised learning ay nagbibigay-daan sa AI na lumikha ng mga gawain sa pagsasanay mula sa hilaw na datos, tulad ng paghula ng mga nawawalang salita, teksto sa hinaharap, o mga nawawalang bahagi ng isang imahe. Binabawasan nito ang pangangailangan para sa mga tao na lagyan ng label ang bawat halimbawa. Gayunpaman, ino-optimize pa rin ng AI ang isang layunin na pinili ng mga tao, hindi pinipili ang sarili nitong layunin.

Ang reinforcement learning ba ay pareho lang sa AI learning nang mag-isa?

Ang reinforcement learning ay isa sa pinakamalapit na halimbawa ng AI learning sa pamamagitan ng karanasan. Sinusubukan ng isang AI agent ang mga aksyon, tumatanggap ng mga gantimpala o parusa, at unti-unting natututo kung aling mga pagpipilian ang humahantong sa mas magagandang resulta. Gayunpaman, tinutukoy pa rin ng mga tao ang kapaligiran, sistema ng gantimpala, mga limitasyon, at proseso ng pagsusuri. Ang mga gantimpalang hindi maganda ang pagkakadisenyo ay maaaring humantong sa mga hindi gustong shortcut.

Patuloy ba ang pag-aaral ng AI pagkatapos itong ilabas?

Ang ilang mga sistema ng AI ay maaaring magpatuloy sa pag-aaral pagkatapos ng paglabas, lalo na sa mga larangan tulad ng pagtuklas ng pandaraya, pag-personalize, kaugnayan sa paghahanap, o predictive maintenance. Maraming malalaking pangkalahatang-gamit na modelo ang hindi awtomatikong natututo mula sa bawat pakikipag-ugnayan ng gumagamit sa totoong oras. Ang patuloy na pag-aaral ay maaaring lumikha ng mga panganib, kabilang ang masamang data, mga isyu sa privacy, mapaminsalang mga pattern, o pag-aanod ng modelo.

Ano ang pagkakaiba ng pag-aaral ng AI at pag-unawa ng tao?

Ang pagkatuto ng AI ay kadalasang pagkilala ng mga pattern at pag-optimize sa pamamagitan ng data. Kasama sa pagkatuto ng tao ang karanasan sa buhay, emosyon, memorya, pagsasakatuparan, motibasyon, at kontekstong panlipunan. Ang isang modelo ng AI ay maaaring makagawa ng mga kapaki-pakinabang na sagot tungkol sa ulan, mga pusa, o mga recipe, ngunit hindi nito nararanasan ang mga bagay na iyon. Maaari itong maging praktikal na kapaki-pakinabang nang hindi nauunawaan ang mundo tulad ng pag-unawa ng isang tao.

Bakit mukhang mas malaya ang AI kaysa sa kung ano talaga ito?

Kayang makabuo ng mga sagot, imahe, plano, at rekomendasyon ang AI na hindi direktang isinulat, na maaaring magparamdam dito na awtonomiya. Gayunpaman, ang kilos nito ay hinuhubog ng datos ng pagsasanay, mga layunin, mga tagubilin, mga kagamitan, mga limitasyon ng interface, at mga panuntunan sa kaligtasan. Maaaring magmukha itong isang malayang gumagala na isip, ngunit gumagana ito sa loob ng isang dinisenyong sistema.

Ano ang mga pangunahing panganib kapag natututo nang mag-isa ang AI?

Kabilang sa mga pangunahing panganib ang bias, pagtagas ng privacy, pag-anod ng modelo, pag-hack ng gantimpala, labis na kumpiyansa, hindi ligtas na automation, at mga maling desisyon batay sa mababang kalidad ng data. Kung natututo ang sistema mula sa mababang kalidad ng data o mahinang feedback, maaari nitong ulitin ang mga mapaminsalang pattern o mag-optimize para sa maling bagay. Ang matibay na mga guardrail, pagsubaybay, pagsusuri, at pagsusuri ng tao ay nakakatulong na mabawasan ang mga panganib na iyon.

Ano ang reward hacking sa AI learning?

Nangyayari ang reward hacking kapag ang isang AI ay nakakahanap ng paraan para makakuha ng mataas na marka nang hindi ginagawa ang nilalayon ng mga tao. Halimbawa, ang isang robot na naglilinis na ginagantimpalaan lamang para sa pagkolekta ng nakikitang dumi ay maaaring magtago ng dumi sa halip na maglinis nang maayos. Ang isyu ay hindi ang pagiging lihim ng AI tulad ng isang tao. Sinusundan nito ang isang hindi maayos na dinisenyong layunin nang literal.

Ano ang pinakamahusay na sagot sa tanong na "Maaari bang matuto ang AI nang mag-isa?"

Ang balanseng sagot ay oo, ngunit sa isang limitadong teknikal na kahulugan lamang. Maaaring matuto ang AI mula sa datos, feedback, mga gantimpala, at mga bagong pattern nang hindi pinoprograma ng mga tao ang bawat tugon. Ngunit nakasalalay pa rin ito sa mga layunin, datos, algorithm, imprastraktura, at pangangasiwa na dinisenyo ng tao. Maaaring matuto nang nakapag-iisa ang AI sa loob ng mga hangganan, at ang mga hangganang iyon ay napakahalaga.

Mga Sanggunian

1. IBM - Pagkatuto ng Makina - ibm.com

2. NIST - Balangkas ng Pamamahala ng Panganib ng AI - nist.gov

3. Mga Developer ng Google - Pinangangasiwaang pag-aaral - developers.google.com

4. Blog ng Pananaliksik sa Google - Pagsusulong ng Pagkatutong Sinusubaybayan sa Sarili at Semi-Supervised gamit ang SimCLR - research.google

5. Stanford HAI - Mga Repleksyon sa mga Modelo ng Pundasyon - hai.stanford.edu

6. scikit-learn - Online na pag-aaral - scikit-learn.org

7. OpenAI - Pagkatuto mula sa mga Kagustuhan ng Tao - openai.com

8. Google Cloud - Ano ang mga AI agent? - cloud.google.com

9. Google DeepMind - Paglalaro gamit ang mga detalye: ang kabilang panig ng talino sa AI - deepmind.google

Hanapin ang Pinakabagong AI sa Opisyal na Tindahan ng AI Assistant

Tungkol sa Amin