미래의 지능형 알고리즘은 유휴 농담에 능통하고 주방에서 편리하기 때문에지도를 읽는 다목적 로봇처럼 보일까요? 아니면 우리의 디지털 보조 장치가 전문 가제트의 잡동사니처럼 보일 것입니다.

알고리즘이 너무 많은 작업을 시도하면 문제가 발생합니다. 아래의 조리법은 인공 신경망, 예를 들어 인공 지능 (AI)의 일종에 의해 생성 된에 의해 생성되었습니다. 이 특별한 알고리즘은 수프부터 파이, 바베큐에 이르기까지 모든 종류의 30,000 요리 책 요리법에 대해 조사한 다음 독자적으로 시도했습니다. 그 결과는 다소 정통적입니다.

(편집자 주 : 집에서 이러한 요리법을 시도하지 마십시오, LOL)

치킨 라이스 전파

치즈 / 계란, 샐러드, 치즈

씨앗을 뿌린 2 파운드 하트
1 컵 신선한 민트 또는 라스베리 파이났습니다.
1 / 2 컵 캐 트리머, 강판
식물성 기름 1 큰술
1 소금
1 후추
2 1 / 2 말 설탕, 설탕

unleaves를 결합하고, 혼합물이 두껍 때까지 저어. 그런 다음 계란, 설탕, 꿀, 캐러 웨이 씨앗을 넣고 저열로 요리하십시오. 옥수수 시럽, 오레가노, 로즈마리 및 흰 후추를 넣으십시오. 더위에 크림을 넣으십시오. 요리사는 남은 1 찻 숱가락 베이킹 파우더와 소금을 넣습니다. 350에서 2 시간까지 구우십시오. 뜨거운 서빙.

수율 : 6 인분

이제는 동일한 기본 알고리즘으로 생성 된 조리법의 예가 있습니다. 그러나 모든 종류의 조리법을 포함하는 데이터 대신 케이크 만 보았습니다. 조리법은 완벽하지는 않지만 이전 방법보다 훨씬 좋습니다.

당근 케이크 (Vera Ladies)

케이크, 술

1 pkg 노란색 케이크 믹스
3 컵 밀가루
1 찻 숱가락 베이킹 파우더
1 1 / 2 찻 숱가락 베이킹 소다
1 / 4 티스푼의 소금
1 teaspoon ground cinnamon
1 티스푼 지상 생강
1 / 2 티스푼 지상 정향
1 찻 숱가락 베이킹 파우더
1 / 2 티스푼의 소금
1 작은 술 바닐라
1 계란, 실내 온도
1 컵 설탕
1 작은 술 바닐라
잘게 잘린 피칸 1 컵

350도까지 오븐을 예열하십시오. 9 인치 스프링 폼 팬에 그리스를 바르십시오.

케이크 만들기 : 두껍고 노란 색이 될 때까지 달걀을 고속으로 치고 따로 보관하십시오. 별도의 그릇에 달걀 흰자위를 뻣뻣해질 때까지 치십시오. 혼합물을 준비한 팬에 먼저 넣고 배터를 부드럽게합니다. 오븐에서 40 분 정도 구우거나 중앙에 삽입 된 나무 이쑤시개가 깨끗해질 때까지 구우십시오. 팬에서 10 분 동안 냉각하십시오. 완전히 식힐 수 있도록 선반 위에 놓으십시오.

케이크를 팬에서 꺼내 완전히 식힌다. 서빙하십시오.

HereCto Cookbook (1989) From the Kitchen & Hawn in the Canadian Living

수율 : 16 인분

물론, 지시 사항을 자세히 보았을 때 구운 달걀 노른자 하나만 생산됩니다. 하지만 여전히 개선 된 부분입니다. 인공 지능이 전문화 될 수있게되었을 때, 추적하는 것이 훨씬 간단했습니다. 초콜릿 사용시기, 감자 사용시기, 베이킹시기 또는 끓인시기를 알아 내려고하지 않았습니다. 첫 번째 알고리즘이 쌀, 아이스크림, 파이를 생산할 수있는 이상한 상자가 되려고했다면 두 번째 알고리즘은 단지 하나의 작업에만 특화된 토스터와 같은 것으로 노력했습니다.

기계 학습 알고리즘을 교육하는 개발자는 궁금한 상자가 아닌 토스터를 만드는 것이 종종 의미가 있다는 것을 발견했습니다. 서양 공상 과학 소설의 인공 지능은 C-3PO와 비슷하게 보이기 때문에 직관적이지 않을 수 있습니다. 스타 워즈 인공 지능 정보 (AGI), 인간과 같이 세상과 상호 작용할 수있는 자동화 시스템, 다양한 작업을 처리 할 수있는 시조 영화의 WALL-E 등이 있습니다. 그러나 많은 기업들이 눈에 보이지 않게 - 그리고 성공적으로 기계 학습을 사용하여 훨씬 제한된 목표를 달성하고 있습니다. 하나의 알고리즘은 전화 청구서에 대한 기본적인 고객 질문의 제한된 범위를 다루는 대화방 일 수 있습니다. 또 다른 사람은 전화를받는 사람 대표자에게 이러한 예측을 표시하면서 고객이 논의 할 전화를 예측할 수 있습니다. 이들은 인공의 예이다. 폭이 좁은 지능 (ANI) - 매우 협소 한 기능으로 제한됩니다. 반면 Facebook은 최근 호텔 예약 처리, 극장 티켓 예약, 앵무새 방문 준비 등의 목표를 달성하지 못했던 'M'챠트 봇을 퇴역 시켰습니다.

WALL-E 레벨 AGI 대신 토스터 레벨 ANI를 사용하는 이유는 일반화하려고하는 모든 알고리즘이 악화되는 서로 마주하고있는 다양한 업무에서

럭셔리 예여기 캡션을 기반으로 그림을 생성하도록 훈련 된 알고리즘이 있습니다.

이것은 '이 새는 머리에 검은 색으로 노랗고 매우 짧은 부리가 있습니다.'라는 문구로 그림을 만들려는 시도입니다.

그것이 새들로만 구성된 데이터 세트에 대해 훈련을 받았을 때, (그것은 이상한 유니콘 뿔에도 불구하고) 꽤 잘되었습니다.

그러나 그 임무가 생성 될 때 아무것도 - 정지 표지판에서부터 보트에 이르기까지 소들에게 - 사람들에게 - 그것은 고심했다. 다음은 '피자 조각을 많이 먹는 소녀의 이미지'를 생성하려는 시도입니다.

우리는 한 가지를 잘 수행하는 알고리즘과 많은 것을 잘 수행하는 알고리즘 사이에 큰 격차가 있다고 생각하지 않습니다. 그러나 우리의 현재 알고리즘 인간의 두뇌에 비해 정신력이 매우 제한되어 있으며 각각의 새로운 과제는 그것들을 더 얇게 퍼트립니다. 토스터 크기의 어플라이언스를 생각해보십시오. 두 개의 슬롯과 일부 가열 코일로 제작하여 빵을 토스트 할 수 있습니다. 그러나 그것은 다른 것을위한 작은 여지를 남겨 둡니다. 쌀 찌기와 아이스크림 만들기 기능을 추가하려고한다면 최소한 빵 슬롯 중 하나를 포기해야 할 것입니다.

프로그래머가 ANI 알고리즘을 최대한 활용하기 위해 사용하는 트릭이 있습니다. 하나는 이전 학습입니다 : 하나의 작업을 수행하는 알고리즘을 훈련 시키십시오. 최소한의 재 훈련을 거쳐 다른 작업이지만 밀접하게 관련이있는 작업을 배울 수 있습니다. 사람들은 예를 들어 이미지 인식 알고리즘을 교육하기 위해 전송 학습을 사용합니다. 동물을 식별하는 것을 배웠던 알고리즘은 이미 과일을 식별하는 작업으로 넘어갈 수있는 가장자리 감지 및 질감 분석 기술의 방식에서 많은 것을 얻었습니다. 그러나 과일을 식별하기 위해 알고리즘을 재 훈련하면 비극적 인 망각 더 이상 동물을 식별하는 방법을 기억하지 못할 것입니다.

오늘날의 알고리즘이 사용하는 또 다른 트릭은 다음과 같습니다. 모듈성. 어떤 문제를 처리 할 수있는 단일 알고리즘보다는 미래의 인공 지능이 고도로 전문화 된 도구의 집합이 될 가능성이 큽니다. 그 알고리즘은 배운 예를 들어, 비디오 게임 인 Doom을 재생하려면 별도의 비전, 컨트롤러 및 메모리 모듈이 필요했습니다. 상호 연결된 모듈은 또한 장애에 대한 이중화를 제공 할 수 있으며, 여러 가지 다른 접근 방식을 기반으로 문제에 대한 최선의 해결책을 투표하는 메커니즘입니다. 알고리즘 오류를 감지하고 해결할 수있는 방법이기도합니다. 일반적으로 개별 알고리즘이 어떻게 의사 결정을 내리는 지 파악하는 것은 어렵지만, 협력 알고리즘을 사용하여 의사 결정을 내리면 각 알고리즘의 결과를 살펴볼 수 있습니다.

먼 미래의 인공 지능을 상상할 때 WALL-E와 C-3PO는 우리가 찾고있는 드로이드가 아닙니다. 대신 우리는 앱이 가득한 스마트 폰이나 가젯으로 가득 찬 부엌 찬장과 같은 것을 묘사 할 수 있습니다. 우리가 알고리즘의 세계를 준비 ​​할 때 우리는 생각할 계획이없는 범용 원더 - 박스를 만들지 말고 고도의 전문화 된 토스터를 위해 준비해야합니다.

저자에 관하여

Janelle Shane은 aiweirdness.com에서 유머를 쓰기 위해 신경 회로망을 훈련합니다. 그녀는 또한 광학 분야의 연구 과학자이며 콜로라도 주 볼더에 살고 있습니다.

이 기사는에서 원래 출판되었습니다. 영겁 크리에이티브 커먼즈 (Creative Commons)에 따라 재발행되었습니다.

관련 도서 :

at 이너셀프 마켓과 아마존