Προφανώς, απέχουμε ακόμα πολύ από μια αποδοτική και καθολική εφαρμογή της τεχνητής νοημοσύνης—μια μηχανή, δηλαδή, που θα δύναται να μαθαίνει και να κατανοεί κάθε εργασία ή έννοια που μπορεί να κατανοεί και να επεξεργάζεται ένας άνθρωπος.
Ωστόσο, το Amazon κάνει σημαντικά βήματα προς την κατεύθυνση αυτή, λανσάροντας μία νέα λειτουργία που επιτρέπει στους χρήστες να διδάσκουν την Alexa, πώς να κάνει νέα πράγματα.
Πιο αναλυτικά, ένας καταναλωτής μπορεί να ζητήσει κάτι όπως η λειτουργία νυχτερινής ανάγνωσης από το μηχάνημα και το τελευταίο να αποκριθεί ότι δεν γνωρίζει τι ακριβώς σημαίνει αυτό, αλλά θα ήθελε να μάθει.
Εάν, τώρα, ο κάτοχος εξηγήσει για παράδειγμα ότι αυτή η λειτουργία συνεπάγεται την χαμηλή ένδειξη φωτεινότητας, το μηχάνημα θα αποθηκεύσει την γνώση και θα την χρησιμοποιήσει την επόμενη φορά!
Ενδεχομένως, ακούγεται αρκετά απλό, αλλά δεν είναι αμελητέες οι λειτουργίες που συνέβησαν στον εγκέφαλο της Alexa, κατά την διάρκεια της συνομιλίας: κατάλαβε ότι δεν ήξερε κάτι, αποφάσισε αν και πώς θα ζητήσει από τον χρήστη να την βοηθήσει να καλύψει το κενό στις γνώσεις της και κατάφερε, στο τέλος, να αποκτήσει μία καινούρια γνώση.
Στην συνέχεια, η γνώση αυτή μπορεί να εφαρμοστεί και σε άλλες ρυθμίσεις, καθώς η συσκευή θυμάται τι μαθαίνει και συνδέει αυτή τη νοημοσύνη με το λογαριασμό του χρήστη και τις προτιμήσεις του.
Σε ένα ακόμη πιο εξελιγμένο σενάριο, ο χρήστης μπορεί να διατυπώσει μια καταφατική δήλωση, η οποία. όμως, υπονοεί ένα αίτημα για την Alexa. Εάν, φερειπείν, περπατήσει κάποιος σε ένα δωμάτιο και πει φωναχτά: «Alexa είναι πολύ σκοτεινά εδώ», τότε ο βοηθός θα καταλάβει ότι στην ουσία μόλις έγινε ένα αίτημα και στη συνέχεια θα επεξεργαστεί τι μπορεί να κάνει για να λύσει το πρόβλημα αυτό.
Οπότε θα προσφερθεί για να ανοίξει τα φώτα ή να ανεβάσει τις περσίδες. Επιπλέον, η Alexa θα αποθηκεύσει την επιθυμία του χρήστη, όταν διαπιστώνει ότι το δωμάτιο είναι σκοτεινό και έτσι θα πράττει αναλόγως κάθε φορά που θα γίνεται ανάλογη δήλωση.
Αυτή τη στιγμή, η παρούσα έκδοση της Alexa περιορίζεται στη σφαίρα του ελέγχου των συσκευών ενός Smart Home . Ωστόσο, αυτό δεν σημαίνει ότι μπορεί κανείς να εμπλακεί σε μακροσκελείς διαλόγους με την συσκευή για να ρυθμίσει νέες συσκευές ή να δημιουργήσει σύνθετες ρουτίνες που περιλαμβάνουν την χρήση πολλαπλών συσκευών.
Παρόλα αυτά, ακόμη και σε αυτή την απλή μορφή, είναι ένα σημαντικό βήμα πέρα από τις σύντομες, περιεκτικές αλληλεπιδράσεις που έχουμε συνήθως με τις συσκευές αυτού του είδους.
Επιπλέον, ένα από τα πιο προφανή σημάδια της εξελιγμένης νοημοσύνης είναι η ικανότητα προσαρμογής που διαθέτει πλέον το μηχάνημα και αυτή η ικανότητα δοκιμάζεται τακτικά σε νέες ή απροσδόκητες καταστάσεις.
Με άλλα λόγια, η Alexa μαθαίνει πώς να ανταποκρίνεται στα αιτήματα των χρηστών για τα οποία μπορεί να μην είχε δεχτεί εκπαίδευση ή πρότερη ρύθμιση.
Ένα μεγάλο μέρος αυτής της ικανότητας προσαρμογής προέρχεται από τις πρόσφατες ανακαλύψεις σχετικά με τον τρόπο με τον οποίο οι ερευνητές δημιουργούν μοντέλα φυσικής γλώσσας και ομιλίας, η οποία βιώνει πλέον μια αναγέννηση στον τομέα της τεχνητής νοημοσύνης, όπου ξεκίνησε μόλις πριν από μερικά χρόνια να εφαρμόζεται.
Για μεγάλο χρονικό διάστημα, τα μοντέλα φυσικής γλώσσας προγραμματίζονταν χρησιμοποιώντας μεγάλα κείμενα με σκοπό την δημιουργία νοήματος. Ωστόσο, η δημιουργία αυτού του είδους εκπαιδευτικού υλικού για τα μηχανήματα τεχνητής νοημοσύνης είναι πολυέξοδη και χρονοβόρα, οπότε δεν υπήρχαν ποτέ έως τώρα αρκετοί πόροι για να δημιουργηθούν ακριβή μοντέλα.
Το 2018, οι ερευνητές της Google ανέπτυξαν ένα πλαίσιο για την κατάρτιση μοντέλων φυσικής ομιλίας χρησιμοποιώντας τεράστιες ποσότητες μη χρηστικών κειμένων (ψηφιακά βιβλία ή καταχωρήσεις της Wikipedia).
Σε αυτό το πλαίσιο, που ονομάζεται BERT (Bidirectional Encoder Representations from Transformers), ένα γλωσσικό μοντέλο έχει αρκετό χρόνο και υπολογιστική ισχύ για να επεξεργαστεί το κείμενο, ενώ σταδιακά χαρτογραφεί τις συσχετίσεις μεταξύ των εννοιών και των νοημάτων των λέξεων.
Αυτή η τεχνική δίνει στο μοντέλο της τεχνητής νοημοσύνης ένα βασικό επίπεδο γνώσης για τον κόσμο, μόνο μέσω της γλώσσας. Μετά από αυτό το είδος προ-κατάρτισης, τα μοντέλα φυσικής γλώσσας εκπαιδεύονται ευκολότερα για πιο συγκεκριμένα καθήκοντα. Η έρευνα, μάλιστα, χρησίμευσε ως καταλύτης για την ενίσχυση της ανάπτυξης της φυσικής ομιλίας.
Επιπλέον, το BERT λειτούργησε ως ένα «μαξιλάρι γνώσης» για περαιτέρω ανάπτυξη της φυσικής ομιλίας για τους βοηθούς του Amazon, η οποία τελικά οδήγησε σε μια Alexa ικανή να μαθαίνει καινούρια πράγματα από τους χρήστες.
Έτσι, τώρα που το Amazon έχει αναπτύξει την ικανότητα της Alexa να εκπαιδεύεται από έναν ανθρώπινο χρήστη, θα είναι ευκολότερο να εφαρμοστεί η ίδια δυνατότητα από το περιορισμένο πλαίσιο ενός σπιτιού σε άλλα πιο εκτεταμένα πλαίσια, όπως για παράδειγμα να διαθέτει η Alexa την δυνατότητα να διδαχθεί πώς να κάνει νέα πράγματα και να εφαρμόζει καινούριες λειτουργίες στο αυτοκίνητο.
Εν κατακλείδι, καθώς οι συσκευές τεχνητής νοημοσύνης αποκτούν ισχυρές δυνατότητες κατάρτισης, η εκπαίδευση αυτών μπορεί να μετατραπεί σε ένα καθημερινό καθήκον για τον άνθρωπο του μέλλοντος, ειδικά σε ό, τι αφορά στον χώρο εργασίας.
Ας ελπίσουμε ότι θα πρόκειται περισσότερο για μια συνεργασία μηχανών-ανθρώπων και όχι για μια προεργασία αντικατάστασης του ανθρώπινου δυναμικού από τις εξελιγμένες εφαρμογές της τεχνητής νοημοσύνης!
ή αποκτήστε ετήσια συνδρομή εδώ.
