5 quan niệm sai lầm phổ biến về AI

1. Hệ thống ứng dụng AI chỉ là phiên bản giới hạn của AGI

Mặc dù nhiều người nghĩ rằng trạng thái nghệ thuật trong AI vẫn còn xa phía sau trí thông minh của con người. Trí tuệ tổng hợp nhân tạo, tức là AGI, là nhiên liệu thúc đẩy cho tất cả các nhà khoa học AI từ trước đến nay. Tương tự như Alchemy, nhiệm vụ vĩnh viễn cho AGI là sao chép và vượt qua trí thông minh của con người để dẫn đến việc tạo ra nhiều kỹ thuật và đột phá khoa học. AGI đã giúp chúng ta hiểu các khía cạnh của trí tuệ con người và tự nhiên, và đem lại kết quả là chúng ta đã xây dựng các thuật toán hiệu quả lấy cảm hứng từ sự hiểu biết và mô hình của chúng.

Tuy nhiên, khi nói đến các ứng dụng thực tế của AI, các học viên AI không nhất thiết phải hạn chế bản thân trong các mô hình thuần túy về quyết định, học tập và giải quyết vấn đề của con người. Thay vào đó, vì lợi ích của việc giải quyết vấn đề và đạt được hiệu suất chấp nhận được, các học viên AI thường xây dựng các hệ thống thực tế hơn. Chẳng hạn, trung tâm của những đột phá về thuật toán dẫn đến các hệ thống Deep Learning, là một kỹ thuật được gọi là sự truyền lại. Tuy nhiên, kỹ thuật này không phải là cách bộ não xây dựng các mô hình. Điều này đưa chúng ta đến quan niệm sai lầm tiếp theo:

1. Giải pháp AI phù hợp với từng trường hợp

Một quan niệm sai lầm phổ biến là AI có thể được sử dụng để giải quyết mọi vấn đề ngoài đó. AI hiện đại đã đạt đến một mức độ cao, sao cho cấu hình nhỏ của AI cho phép chúng ta giải quyết các vấn đề khác nhau. Tôi thậm chí đã nghe mọi người cho rằng việc chuyển từ một vấn đề sang vấn đề tiếp theo sẽ làm cho hệ thống AI thông minh hơn, như thể hệ thống AI tương tự hiện đang giải quyết cả hai vấn đề cùng một lúc. Thực tế là rất khác nhau: hệ thống AI cần phải được thiết kế, đôi khi rất nhiều, và yêu cầu các mô hình được đào tạo đặc biệt để được áp dụng cho một vấn đề. Và trong khi xử lý các nhiệm vụ tương tự, đặc biệt là các công cụ liên quan đến cảm biến thế giới (ví dụ, nhận dạng giọng nói, xử lý hình ảnh hoặc video) hiện có thư viện các mô hình tham chiếu sẵn có, các mô hình này cần được thiết kế riêng để đáp ứng các yêu cầu triển khai và có thể không hữu ích từng trường hợp riêng biệt. Hơn nữa, hệ thống AI hiếm khi là thành phần duy nhất của các giải pháp dựa trên AI. Nó thường gồm nhiều thành phần được lập trình theo cách cổ điển được thiết kế riêng để cùng nhau tăng cường một hoặc nhiều kỹ thuật AI được sử dụng trong một hệ thống. Và do đó, có rất nhiều kỹ thuật AI khác nhau, sử dụng một mình hoặc trong các giải pháp lai kết hợp với những kỹ thuật khác, vì vậy không chính xác để nói:

1. AI giống với Deep Learning

Thuật ngữ mạng trí tuệ nhân tạo (ANNs) thực sự rất tuyệt. Cho đến khi, sự hưng phấn tiềm năng ban đầu xung quanh nó bị phản tác dụng do thiếu sự mở rộng quy mô và năng lực đối với việc lắp đặt quá mức. Giờ đây, hầu hết các vấn đề đó đã được giải quyết, để tránh sự kỳ thị của tên cũ bằng cách “đổi tên” các mạng trí tuệ nhân tạo thành Deep Learning. Deep Learning hoặc Deep Network là ANN ở quy mô, và 'deep' không chỉ là suy nghĩ sâu sắc, nhưng với số lượng lớp ẩn có thể tạm đủ thể hiện khả năng trong ANN của chúng ta (trước đây nó là số ít nhất, và bây giờ chúng có thể lên tới hàng trăm). Deep Learning được sử dụng để tạo ra các mô hình tắt của bộ dữ liệu có gắn nhãn. Phương pháp Learning trong các phương pháp Deep Learning ám chỉ đến việc tạo ra các mô hình, không phải để các mô hình có thể học được thời gian thực khi dữ liệu mới trở nên có sẵn. Giai đoạn Learnign của các mô hình Deep Learning thực sự diễn ra ngoại tuyến, cần nhiều lần lặp lại, là thời gian và quá trình chuyên sâu, và khó có thể song song.

Gần đây, các mô hình Deep Learning đang được sử dụng trong các ứng dụng học tập trực tuyến. Việc học trực tuyến trong các hệ thống như vậy đạt được bằng cách sử dụng các kỹ thuật AI khác nhau như Học tập tăng cường, hoặc tiến hóa trí tuệ trực tuyến. Một hạn chế của các hệ thống như vậy là sự đóng góp từ mô hình Deep Learning chỉ có thể đạt được nếu miền sử dụng có chủ thể chủ yếu trải qua trong thời gian học ngoại tuyến. Khi mô hình được tạo, mô hình vẫn tĩnh và không hoàn toàn mạnh mẽ đối với các thay đổi trong miền ứng dụng. Một ví dụ điển hình là trong các ứng dụng thương mại điện tử - thay đổi theo mùa hoặc thời gian bán hàng ngắn trên các trang web thương mại điện tử sẽ yêu cầu mô hình Deep Learning để được đưa vào ngoại tuyến và đào tạo lại các mặt hàng bán hoặc cổ phiếu mới. Tuy nhiên, bây giờ với các nền tảng như Sentient Ascend sử dụng các thuật toán tiến hóa để tối ưu hóa trang web, một lượng lớn dữ liệu lịch sử không còn cần thiết để có hiệu quả, thay vào đó, nó sử dụng tiến hóa trí tuệ để thay đổi và điều chỉnh trang web theo thời gian thực dựa trên trang web môi trường hiện tại.

Tuy nhiên, hầu hết các hệ thống Deep Learning đều được cung cấp bởi các tập dữ liệu lớn, và do đó, triển vọng của các mô hình mới và hữu ích được tạo ra từ các tập dữ liệu lớn và độc đáo đã thúc đẩy quan niệm sai lầm.

1. Tất cả là dữ liệu lớn

Không phải vậy. Nó thực sự chỉ nói đến các dữ liệu tốt. Các bộ dữ liệu lớn, không cân bằng có thể là sự lừa đảo, đặc biệt nếu chúng chỉ thu một phần dữ liệu có liên quan nhất đến miền ứng dụng. Hơn nữa, trong nhiều lĩnh vực, dữ liệu lịch sử có thể trở nên không liên quan một cách nhanh chóng. Ví dụ, trong giao dịch tần số cao ở Sở giao dịch chứng khoán New York, dữ liệu gần đây có mức độ liên quan và giá trị nhiều hơn, ví dụ như dữ liệu từ trước năm 2001, khi họ chưa thông qua số thập phân.

Cuối cùng, một quan niệm sai lầm chung mà tôi gặp phải khá thường xuyên:

1. Nếu một hệ thống giải quyết được một vấn đề mà chúng ta nghĩ là cần thông minh, điều đó có nghĩa là nó đang sử dụng AI

Đây là một chút triết học trong tự nhiên, và nó phụ thuộc vào định nghĩa của bạn về trí thông minh. Thật vậy, định nghĩa của Turing sẽ không bác bỏ điều này. Tuy nhiên, theo như AI chính thống, một hệ thống được thiết kế đầy đủ, nói rằng để cho phép những chiếc xe tự lái, sẽ không sử dụng bất kỳ kỹ thuật AI nào, do vậy không được coi là một hệ thống AI. Nếu hành vi của hệ thống không phải là kết quả của hành vi nổi lên của kỹ thuật AI được sử dụng dưới mui xe, nếu người lập trình viết mã từ đầu đến cuối, theo kiểu xác định và thiết kế, thì hệ thống không được coi là hệ thống dựa trên AI, ngay cả khi nó có vẻ như vậy.

AI mở đường cho một tương lai tốt đẹp hơn.

Mặc dù những quan niệm sai lầm phổ biến xung quanh AI, một giả định đúng ở đây là AI thực sự là cửa sổ cho tương lai. AI vẫn còn một chặng đường dài để đi trước khi nó có thể được sử dụng để giải quyết mọi vấn đề và được công nghiệp hóa để sử dụng rộng rãi. Ví dụ, các mô hình Deep Learning, phải mất nhiều giờ làm việc của các chuyên gia để thiết kế hiệu quả, thường đòi hỏi các thiết lập tham số được thiết kế công phu và các lựa chọn kiến trúc tùy thuộc vào trường hợp sử dụng. Hiện nay, các nhà khoa học AI đang nỗ lực làm việc đơn giản hóa công việc này và thậm chí còn sử dụng các kỹ thuật AI khác như học tăng cường và tìm kiếm kiến trúc dựa trên dân số hoặc sự tiến hóa để giảm nỗ lực này. Bước tiến lớn tiếp theo của AI là làm cho nó trở nên sáng tạo và thích nghi, đồng thời, đủ mạnh để vượt quá khả năng của con người để xây dựng mô hình.