10 Pertanyaan Memalukan Tentang Neural Networks: Spesialis Pembelajaran Mesin Igor Kotenkov Menjawab
Miscellanea / / August 08, 2023
Kami telah mengumpulkan semua yang ingin Anda ketahui, tetapi terlalu malu untuk bertanya.
Di baru seri Artikel oleh pakar terkenal menjawab pertanyaan yang biasanya memalukan untuk ditanyakan: sepertinya semua orang sudah mengetahuinya, dan penanya akan terlihat bodoh.
Kali ini kami berbicara dengan spesialis kecerdasan buatan Igor Kotenkov. Anda akan belajar apakah Anda dapat menyimpan salinan digital Anda untuk cicit Anda, mengapa neuron tidak dapat dipercaya 100%, dan apakah dunia dalam bahaya pemberontakan mesin.
Igor Kotenkov
1. Bagaimana cara kerja jaringan saraf? Ini semacam sihir. Bagaimana ChatGPT bisa dibuat? Dan Midjourney atau DALL-E?
Jaringan saraf adalah model matematika yang ditemukan dengan tujuan untuk memahami cara kerja otak organisme hidup. Benar, ide paling mendasar dari awal paruh kedua abad ke-20 diambil sebagai dasar, yang sekarang bisa disebut tidak relevan atau terlalu disederhanakan.
Bahkan nama "jaringan saraf" berasal dari kata "neuron" - ini adalah nama salah satu unit fungsional utama otak. Jaringan saraf itu sendiri terdiri dari node - neuron buatan. Jadi bisa dibilang banyak ide arsitektur modern yang "diintip" dari alam itu sendiri.
Tetapi yang lebih penting, jaringan saraf adalah model matematika. Dan karena ini adalah sesuatu yang berhubungan dengan matematika, maka kita dapat menggunakan kekuatan penuh dari peralatan matematika untuk mengetahui atau mengevaluasi sifat-sifat dari model semacam itu. Anda dapat menganggap jaringan saraf sebagai fungsi, dan fungsi juga merupakan objek matematika. Contoh paling sederhana dan paling mudah dipahami: fungsi yang, katakanlah, mengambil angka apa pun sebagai input dan menambahkan 2 ke dalamnya: f (4) = 6, f (10) = 12.
Tetapi fungsi seperti itu sangat mudah diprogram, bahkan seorang anak dapat menanganinya setelah beberapa jam belajar bahasa. pemrograman. Dan alasannya adalah fungsi seperti itu sangat mudah diformalkan, dijelaskan secara rinci dalam bahasa yang sederhana dan mudah dipahami.
Namun, ada beberapa tugas yang kami bahkan tidak tahu cara mendekatinya. Misalnya, saya bisa memberi Anda foto kucing dan anjing yang bercampur, dan Anda bisa menyortirnya menjadi dua tumpukan tanpa masalah. Tapi apa sebenarnya yang Anda pandu saat menentukan jawabannya? Keduanya berbulu. Kedua spesies memiliki ekor, telinga, dua mata. Mungkin ukurannya? Tapi ada anjing yang sangat kecil, ada kucing besar.
Kami tidak dapat menjelaskan banyak tugas di dunia nyata, kami tidak mengetahui ketergantungan pengamatan kami dan beberapa jawaban "benar" bersyarat.
Kami hanya tahu bagaimana memberikan jawaban ini - dan hanya itu, tanpa memikirkan bagaimana hasilnya.
Di sinilah jaringan saraf datang untuk menyelamatkan. Fungsi matematika ini dilatih dari data. Anda tidak perlu menjelaskan hubungan antara input dan output. Anda cukup menyiapkan dua tumpuk foto dan model kereta api memberikan jawaban yang benar. Dia sendiri belajar menemukan hubungan ini, dia menemukannya sendiri, mengandalkan kesalahansiapa yang melakukan. Bingung kucing Bengal dan Rottweiler? Yah, akan lebih baik lain kali!
Proses mempelajari jaringan saraf adalah penyesuaian "neuron" untuk mempelajari cara memecahkan masalah dan memberikan jawaban yang benar. Dan yang paling luar biasa: ada bukti teoretis bahwa jaringan saraf yang cukup besar dengan kumpulan data yang cukup besar dapat mempelajari fungsi kompleks apa pun. Namun yang terpenting di sini adalah daya komputasi (karena neuron bisa sangat besar) dan ketersediaan data berlabel. Yaitu ditandai, yaitu mereka memiliki kelas "anjing", kucing atau apapun.
Kami tidak sepenuhnya memahami cara kerja model - model yang paling kompleks dan besar seperti ChatGPT hampir tidak dapat dianalisis.
Para peneliti terbaik sedang mengerjakan tantangan untuk "memahami" cara kerja bagian dalam proses mereka saat ini.
Tapi kami tahu untuk tugas apa model dilatih, kesalahan apa yang mereka coba minimalkan selama pelatihan. Untuk ChatGPT, tugasnya terdiri dari dua. Yang pertama adalah prediksi kata berikutnya sesuai konteksnya: “ibu cuci…” Apa? Inilah yang harus diprediksi oleh model.
Tugas kedua adalah memastikan bahwa jawabannya tidak menyinggung, tetapi pada saat yang sama tetap bermanfaat dan dapat dimengerti. Itulah mengapa modelnya menjadi viral - model ini langsung dilatih untuk menghasilkan jenis teks yang disukai orang!
Anda dapat membaca lebih lanjut tentang cara kerja ChatGPT di artikel.
2. Bisakah neuron berpikir?
Ilmuwan masih belum mengerti apa artinya "berpikir" atau "bernalar" dan bagaimana intelek bekerja secara umum. Oleh karena itu, sulit untuk menilai apakah model seperti ChatGPT memiliki sifat seperti itu.
Bayangkan sebuah situasi: Anda mendekati pintu apartemen Anda. Apakah Anda berpikir bahwa Anda perlu mengambil kunci dari saku kiri ransel Anda untuk membuka pintu? Bisakah kita mengatakan bahwa deskripsi dan penyajian tindakan adalah proses berpikir? Intinya, kita telah menjalin hubungan antara kondisi saat ini dengan target yang diinginkan (pintu terbuka). Jika menurut Anda jawaban atas pertanyaan di atas adalah ya, maka jawaban saya akan sama. 🙂
Hal lainnya adalah jika menyangkut pemikiran inovatif yang belum pernah diungkapkan sebelumnya atau tidak begitu umum. Lagipula, misalnya, Anda dapat dengan mudah menemukan kesalahan pada contoh di atas: “Ya, saya membaca model ini 100500 kali di Internet dan di buku. Tentu saja dia tahu itu! Tidak ada yang mengejutkan." Omong-omong, bagaimana Anda tahu? Apakah karena orang tua Anda menunjukkan Anda di masa kanak-kanak, dan Anda menyaksikan prosesnya selama ratusan hari berturut-turut?
Dalam hal ini, tidak ada jawaban pasti. Dan intinya di sini adalah kita tidak memperhitungkan satu komponen penting: probabilitas.
Seberapa besar kemungkinan model tersebut akan menghasilkan pemikiran yang sesuai dengan definisi spesifik Anda tentang "pemikiran"?
Lagi pula, neuron seperti ChatGPT dapat dibuat untuk menghasilkan sejuta respons berbeda untuk permintaan yang sama. Misalnya, "munculkan ide untuk penelitian ilmiah». Jika satu generasi dalam sejuta benar-benar menarik dan baru, apakah itu bisa dianggap sebagai bukti bahwa sebuah model bisa melahirkan sebuah ide? Tapi apa bedanya dengan burung beo yang meneriakkan kata-kata acak yang tidak-tidak dan menambahkan sesuatu yang bisa dimengerti?
Di sisi lain, orang juga tidak selalu memberikan pemikiran yang benar - beberapa frasa mengarah ke jalan buntu dan tidak menghasilkan apa-apa. Mengapa jaringan saraf tidak bisa memaafkan ini? Nah, satu ide baru dari sejuta yang dihasilkan benar-benar buruk... Tapi bagaimana jika 100 dari sejuta? Ribu? Di mana perbatasan ini?
Inilah yang tidak kita ketahui. Kecenderungannya adalah pada awalnya kami berpikir bahwa akan sulit bagi mesin untuk memecahkan masalah X. Misalnya, untuk lulus tes Turing, di mana Anda hanya perlu mengobrol dengan seseorang selama setengah jam. Kemudian, dengan perkembangan teknologi, orang menemukan cara untuk menyelesaikan, atau lebih tepatnya, melatih model untuk suatu tugas. Dan kami berkata: "Ya, itu sebenarnya tes yang salah, ini yang baru untukmu, neuron pasti tidak akan bisa melewatinya!" Dan situasinya berulang.
Teknologi yang sekarang, 80 tahun lalu, akan dianggap sebagai keajaiban. Dan sekarang kami berusaha sekuat tenaga untuk mendorong batas "kewajaran" agar tidak mengakui pada diri kami sendiri bahwa mesin sudah tahu cara berpikir. Faktanya, bahkan mungkin saja kita pertama kali menemukan sesuatu, lalu memposting fakta dan secara retrospektif mendefinisikannya sebagai AI.
3. Jika neuron bisa menggambar dan menulis puisi, apakah mereka bisa kreatif dan hampir seperti manusia?
Jawabannya sebenarnya sangat bergantung pada informasi di atas. Apa itu kreativitas? Berapa banyak kreativitas pada rata-rata orang? Apakah Anda yakin seorang petugas kebersihan dari Siberia tahu cara membuat? Dan mengapa?
Bagaimana jika seorang model dapat menghasilkan puisi atau lukisan yang, dengan syarat, akan mencapai final kompetisi kota untuk penulis amatir atau seniman anak-anak? Dan jika ini terjadi tidak setiap saat, tetapi satu dari seratus?
Sebagian besar pertanyaan ini masih bisa diperdebatkan. Jika menurut Anda jawabannya sudah jelas, cobalah mewawancarai teman dan kerabat Anda. Dengan probabilitas yang sangat tinggi, sudut pandang mereka tidak akan sama dengan Anda. Dan di sini hal utama tidak pertengkaran.
4. Apakah mungkin untuk mempercayai jawaban jaringan saraf dan bukan lagi Google?
Itu semua tergantung pada bagaimana model digunakan. Jika Anda mengajukan pertanyaan kepada mereka tanpa konteks, tanpa disertai informasi dalam prompt, dan mengharapkan jawaban atas topik yang mengutamakan akurasi faktual, dan bukan nada jawaban yang umum (misalnya urutan peristiwa dalam jangka waktu tertentu, tetapi tanpa menyebutkan tempat dan tanggal secara pasti), maka jawabannya adalah TIDAK.
Secara domestik diperkirakan OpenAI, dalam situasi seperti itu, model terbaik hingga saat ini, GPT-4, menjawab dengan benar di sekitar 70-80% kasus, tergantung pada topik pertanyaannya.
Tampaknya angka-angka ini sangat jauh dari "akurasi" aktual 100% yang ideal. Namun nyatanya, ini adalah lompatan besar dibandingkan model generasi sebelumnya (ChatGPT, berdasarkan arsitektur GPT-3.5) - yang memiliki akurasi 40-50%. Ternyata lompatan seperti itu dilakukan dalam kerangka penelitian selama 6-8 bulan.
Jelas bahwa semakin mendekati 100%, semakin sulit untuk melakukan beberapa koreksi agar tidak "merusak" apa pun dalam pemahaman dan pengetahuan model.
Namun, semua hal di atas mengacu pada pertanyaan tanpa konteks. Misalnya, Anda dapat bertanya: “Kapan Einstein? Model harus hanya mengandalkan pengetahuan internal yang "terpasang" ke dalamnya pada tahap pelatihan jangka panjang pada data dari seluruh Internet. Jadi orang itu tidak akan bisa menjawab! Tetapi jika mereka memberi saya halaman dari Wikipedia, maka saya dapat membacanya dan menjawab sesuai dengan sumber informasinya. Maka kebenaran jawaban mendekati 100% (disesuaikan dengan kebenaran sumber).
Oleh karena itu, jika model dilengkapi dengan konteks di mana informasi terkandung, maka jawabannya akan jauh lebih dapat diandalkan.
Tapi bagaimana jika kita membiarkan model google dan mencari sumber informasi di internet? Sehingga dia sendiri yang menemukan sumbernya dan membangun jawaban berdasarkan itu? Nah, ini sudah dilakukan! Jadi Anda tidak dapat meng-google sendiri, tetapi mendelegasikan sebagian pencarian Internet ke GPT‑4 itu sendiri. Namun, ini membutuhkan langganan berbayar.
Adapun kemajuan lebih lanjut dalam mengembangkan keandalan informasi faktual dalam model tersebut, CEO OpenAI Sam Altman memberi perkiraan 1,5–2 tahun untuk menyelesaikan masalah ini oleh tim peneliti. Kami akan sangat menantikannya! Namun untuk saat ini, perlu diingat bahwa Anda tidak perlu mempercayai apa yang ditulis oleh neuron 100%, dan periksa kembali setidaknya sumbernya.
5. Benarkah jaringan saraf mencuri gambar seniman sungguhan?
Ya dan tidak - kedua belah pihak yang berkonflik secara aktif memperdebatkan hal ini di pengadilan di seluruh dunia. Dapat dikatakan dengan pasti bahwa gambar tidak langsung disimpan dalam model, hanya muncul "pengawasan".
Dalam rencana ini neuron sangat mirip dengan orang yang pertama kali mempelajari seni, gaya yang berbeda, melihat karya pengarangnya, lalu mencoba meniru.
Namun, model belajar, seperti yang telah kita ketahui, sesuai dengan prinsip minimalisasi kesalahan. Dan jika selama pelatihan model melihat gambar yang sama (atau sangat mirip) ratusan kali, maka, dari sudut pandangnya, strategi terbaik adalah mengingat gambar tersebut.
Mari kita ambil contoh: guru Anda di sekolah seni memilih strategi yang sangat aneh. Anda menggambar dua gambar setiap hari: yang pertama selalu unik, dengan gaya baru, dan yang kedua adalah Mona Lisa. Setelah satu tahun, Anda mencoba mengevaluasi apa yang telah Anda pelajari. Karena Anda telah menggambar Mona Lisa lebih dari 300 kali, Anda mengingat hampir semua detailnya dan sekarang Anda dapat mereproduksinya. Itu tidak akan persis aslinya, dan Anda pasti akan menambahkan sesuatu milik Anda sendiri. Warna akan sedikit berbeda.
Dan sekarang Anda diminta untuk menggambar sesuatu yang 100 hari yang lalu (dan Anda pernah melihatnya). Anda akan mereproduksi apa yang dibutuhkan dengan kurang akurat. Hanya karena tangan tidak diisi.
Sama halnya dengan neuron: mereka belajar dengan cara yang sama di semua gambar, hanya beberapa yang lebih umum, yang berarti bahwa model tersebut juga lebih sering didenda selama pelatihan. Ini tidak hanya berlaku untuk lukisan karya seniman - untuk gambar apa pun (bahkan iklan) dalam sampel pelatihan. Sekarang ada metode untuk menghilangkan duplikat (karena melatihnya setidaknya tidak efisien), tetapi metode tersebut tidak sempurna. Penelitian menunjukkan bahwa ada gambar yang muncul 400-500 kali selama latihan.
Putusan saya: jaringan saraf tidak mencuri gambar, tetapi hanya menganggap gambar sebagai contoh. Semakin populer contoh, semakin akurat model mereproduksinya.
Orang melakukan hal yang sama selama pelatihan: mereka melihat keindahan, mempelajari detailnya, gaya yang berbeda artis. Tetapi bagi seniman atau fotografer yang telah menghabiskan separuh hidup mereka untuk mempelajari sebuah kerajinan, sudut pandangnya seringkali sangat berbeda dari yang dijelaskan di atas.
6. Benarkah "semuanya hilang" dan jaringan saraf akan menghilangkan pekerjaan dari orang-orang? Siapa yang paling peduli?
Penting untuk memisahkan hanya "jaringan saraf" yang melakukan tugas tertentu dari jaringan saraf tujuan umum seperti ChatGPT. Yang terakhir sangat pandai mengikuti instruksi dan mampu belajar dari contoh dalam konteks. Benar, sekarang ukuran "memori" mereka terbatas pada 10-50 halaman teks, begitu pula keterampilan refleksi dan perencanaan.
Tetapi jika pekerjaan seseorang sampai pada pelaksanaan instruksi rutin dan ini mudah dipelajari dalam beberapa hari dengan membaca artikel (atau jika seluruh Internet dipenuhi dengan informasi ini), dan biaya tenaga kerja di atas rata-rata - maka segera pekerjaan seperti itu mengotomatisasikan.
Namun dengan sendirinya, otomatisasi tidak berarti penggantian total orang. Hanya sebagian dari pekerjaan rutin yang dapat dioptimalkan.
Seseorang akan mulai mendapatkan tugas yang lebih menarik dan kreatif yang (sejauh ini) tidak dapat ditangani oleh mesin.
Jika kita memberikan contoh, maka pada kelompok yang dapat diubah atau diganti profesi Saya akan memasukkan, katakanlah, asisten pajak-konsultan yang membantu menyiapkan deklarasi dan memeriksa kesalahan tipikal, mengidentifikasi ketidakkonsistenan. Perubahan dimungkinkan dalam spesialisasi seperti manajer data uji klinis - inti dari pekerjaannya adalah mengisi laporan dan merekonsiliasinya dengan tabel standar.
Tetapi juru masak atau sopir bus akan lebih lama dibutuhkan hanya karena mereka dapat menghubungkan jaringan saraf dan yang nyata dunia fisik cukup rumit, terutama dalam hal undang-undang dan peraturan - terima kasih kepada para birokrat yang telah pindah Krisis AI!
Perubahan besar diharapkan dalam industri yang terkait dengan bahan cetak dan informasi tekstual: jurnalisme, pendidikan. Dengan probabilitas yang sangat tinggi untuk yang pertama, neuron akan segera menulis draf dengan serangkaian tesis, di mana orang sudah akan membuat perubahan poin.
Saya paling senang dengan perubahan di bidang pendidikan. Makan riset, yang menunjukkan bahwa kualitas pendidikan secara langsung bergantung pada "kepribadian" pendekatan dan berapa banyak waktu yang dicurahkan guru untuk siswa tertentu. Contoh paling sederhana: mengajar dalam kelompok yang terdiri dari 30 orang menggunakan buku teks jauh lebih buruk daripada mengajar secara individu tutor untuk kebutuhan khusus (walaupun menurut program yang sama seperti di buku teks). Dengan perkembangan AI, umat manusia akan memiliki kesempatan untuk memberikan asisten yang dipersonalisasi kepada setiap siswa. Ini luar biasa! Peran guru akan bergeser, menurut saya, menjadi strategis dan mengontrol: menentukan program umum dan urutan pembelajaran, menguji pengetahuan, dan sebagainya.
7. Mungkinkah mengunggah kesadaran Anda ke komputer, membuat kembaran digital, dan hidup selamanya?
Dalam arti yang dibayangkan berdasarkan fiksi ilmiah, tidak. Anda hanya bisa mengajari model untuk meniru gaya komunikasi Anda, mempelajari lelucon Anda. Mungkin model level GPT-4 bahkan dapat menemukan model baru yang dibingkai dengan gaya dan cara penyajian Anda yang unik, tetapi ini jelas tidak berarti transfer kesadaran sepenuhnya.
Kita sebagai umat manusia, sekali lagi, tidak tahu apa itu kesadaran, di mana disimpan, apa bedanya dengan yang lain, apa yang membuat saya - saya, dan Anda - Anda. Jika tiba-tiba ternyata semua ini hanyalah sekumpulan ingatan dan pengalaman, dikalikan dengan karakteristik individu persepsi, maka, kemungkinan besar, entah bagaimana akan mungkin untuk mentransfer pengetahuan ke jaringan saraf sehingga mereka mensimulasikan kehidupan di masa depan dasar mereka.
8. Apakah berbahaya mengunggah suara, penampilan, gaya bicara teks Anda ke jaringan saraf? Tampaknya identitas digital semacam itu bisa dicuri.
Anda tidak dapat mengunduh apa pun ke dalamnya. Anda dapat melatih mereka (atau melatihnya kembali) sedemikian rupa sehingga hasilnya lebih mirip dengan penampilan, suara, atau teks Anda. Dan model terlatih seperti itu benar-benar dapat dicuri, yaitu cukup menyalin skrip dan sekumpulan parameter untuk dijalankan di komputer lain.
Anda bahkan dapat membuat video dengan permintaan transfer uang dengan biaya orang lain, yang akan dipercaya oleh kerabat Anda: algoritme deepfake dan kloning suara terbaik telah mencapai level ini. Benar, diperlukan ribuan dolar dan puluhan jam rekaman, namun demikian.
Secara umum, dengan perkembangan teknologi, masalah identifikasi dan konfirmasi identitas menjadi lebih penting.
Dan mereka mencoba menyelesaikannya dengan satu atau lain cara. Misalnya, ada startup WorldCoin (sebenarnya, itu membuat cryptocurrency), di mana kepala OpenAI, Sam Altman, berinvestasi. Arti dari startup adalah bahwa setiap informasi tentang seseorang akan ditandatangani dengan kuncinya sendiri untuk identifikasi selanjutnya. Begitu juga dengan media massa, untuk mengetahui dengan pasti apakah berita tersebut benar atau palsu.
Tapi, sayangnya, sementara semua ini masih dalam tahap prototipe. Dan saya tidak menganggap pengenalan sistem yang mendalam di semua industri untuk diterapkan di cakrawala dekade berikutnya, hanya karena terlalu rumit dan berskala besar.
9. Bisakah neuron mulai merusak dan mengambil alih dunia?
Bahayanya bukanlah perkembangan saat ini, tetapi apa yang akan mengikutinya dengan perkembangan lebih lanjut. Saat ini, belum ada metode yang ditemukan untuk mengontrol pengoperasian jaringan saraf. Ambil, misalnya, tugas yang sangat sederhana: untuk memastikan model tidak mengumpat. Tidak akan pernah. Tidak ada metode yang memungkinkan Anda mengikuti aturan seperti itu. Sejauh ini, Anda dapat menemukan berbagai cara untuk "membiakkan" semuanya dengan cara yang sama.
Sekarang bayangkan kita berbicara tentang GPT-8 secara kondisional, yang keterampilannya akan sebanding dengan keterampilan orang yang paling cakap dan pintar. Jaringan saraf dapat memprogram, menggunakan Internet, tahu psikologi dan memahami bagaimana orang berpikir. Jika Anda memberinya kebebasan dan tidak menetapkan tugas tertentu, lalu apa yang akan dilakukannya? Bagaimana jika dia tahu dia tidak bisa dikendalikan?
Kemungkinan pergantian peristiwa yang buruk tidak begitu besar, menurut perkiraan. Ngomong-ngomong, tidak ada penilaian yang diterima secara umum - meskipun semua orang berdebat tentang detailnya, tentang konsekuensi yang merugikan, dan sebagainya. Sekarang mereka menyebut angka perkiraan dari 0,01% hingga 10%.
Menurut pandangan saya, ini adalah risiko yang sangat besar, dengan asumsi skenario paling negatif adalah kehancuran umat manusia.
Menariknya, ChatGPT dan GPT-4 adalah produk yang dibuat oleh tim yang mengerjakan masalah "menyelaraskan" niat orang dan neuron (detailnya dapat ditemukan Di Sini). Itu sebabnya para model mendengarkan instruksi dengan sangat baik, berusaha untuk tidak bersikap kasar, mengajukan pertanyaan klarifikasi, tetapi ini masih sangat jauh dari ideal. Masalah kontrol bahkan tidak terpecahkan setengahnya. Dan sementara kita tidak tahu apakah itu diselesaikan sama sekali, dan jika demikian, dengan metode apa. Ini adalah topik penelitian terpanas hari ini.
10. Bisakah jaringan saraf jatuh cinta pada seseorang?
Dengan pendekatan dan arsitektur neuron saat ini, tidak. Mereka hanya menghasilkan teks yang paling masuk akal sebagai kelanjutan dari teks masukan. Jika Anda memasukkan bab pertama dari kisah cinta, menulis ulang di bawah kepribadian Anda, dan meminta model untuk menjawab surat cinta Anda, dia akan mengatasinya. Tapi bukan karena aku jatuh cinta, tapi karena itu paling sesuai dengan konteks dan permintaan "tulis aku surat!". Ingatlah bahwa model belajar membuat teks yang mengikuti instruksi.
Selain itu, tidak ada jaringan saraf dalam versi dasar Penyimpanan - antara dua peluncuran yang berbeda, mereka melupakan segalanya dan memutar kembali ke "pengaturan pabrik". Memori dapat ditambahkan secara artifisial, seolah-olah dari samping, sehingga, katakanlah, 10 halaman dari "kenangan" yang paling relevan dimasukkan ke dalam model. Namun ternyata kami hanya memasukkan serangkaian peristiwa ke dalam model aslinya dan berkata: "Bagaimana Anda akan berperilaku dalam kondisi seperti itu?" Modelnya tidak punya perasaan.
Baca juga🧐
- Di mana dan bagaimana kecerdasan buatan digunakan: 6 contoh dari kehidupan
- 9 pertanyaan naif tentang kecerdasan buatan
- 8 Mitos Kecerdasan Buatan yang Bahkan Para Pemrogram Percaya