Τι συμβαίνει εάν αφήσετε την τεχνητή νοημοσύνη χωρίς επιτήρηση;

Περιεχόμενα:

Ανεξάρτητη AI

Παρόλο που είναι ήδη μια κακή μορφή - για να αναφέρουμε τον περυσινό αγώνα του Alpha Go και ένα άτομο στην πρώτη παράγραφο, ας αρχίσουμε με αυτό το παράδειγμα. Ενδιαφέρεται για εμάς, διότι αυτή είναι ίσως η πρώτη επαρκής περίπτωση "αυτοεκπαίδευσης AI". Υπάρχουν πολλά άλλα παραδείγματα, αλλά μέχρι σήμερα δεν έχουν εγκαταλείψει τα εργαστήρια και είναι γενικά άγνωστα στο ευρύ κοινό. Στον πυρήνα της αυτο-μελέτης του AlphaGo ήταν οι πολλές ώρες παιχνιδιού με τον εαυτό του, καθώς και η μελέτη των παιχνιδιών.

Αυτός ο διαγωνισμός του ανθρώπου και του αυτοκινήτου προσέλκυσε την προσοχή όλων των μεγάλων εκδόσεων. Εγώ, όπως πάντα, φρενάρω και δεν είχα χρόνο για αυτό το πανέμορφο τρένο της σύγχρονης δημοσιογραφίας. Αλλά η "αντιπαράθεση του αιώνα" είναι ενδιαφέρουσα όχι μόνο από τη διαφημιστική εκστρατεία γύρω από αυτό (ένα εκατομμύριο δολάρια σε χρηματικό έπαθλο, απονέμοντας ένα τιμητικό 9ο φόρο στο παιχνίδι του go, μια επιστημονική εξέλιξη του έτους σύμφωνα με την επιστήμη) και μια ξεχωριστή γεύση της φαντασίας Azimov. Η ουσία της δράσης εν συντομία: η μηχανή παιχνιδιού AlphaGo κυριάρχησε και κέρδισε 4 από 5 αγώνες στο παραδοσιακό ανατολίτικο παιχνίδι του go. Δεν κέρδισε σε κάποιον πρώτου βαθμού παίκτη, αλλά στην κορεατική επαγγελματία 9 dan Lee Sedol (2η θέση στη διεθνή βαθμολογία). Οι ειδικοί λένε ότι αυτή η περίπτωση δεν μοιάζει με μάχη σκακιού ενός υπολογιστή και του Garry Kasparov, διότι το 1997 ο ​​υπολογιστής εκπαιδεύτηκε υπό την επίβλεψη των σκακιστών, οι οποίοι έγραψαν οι ίδιοι στρατηγικές και τον εκπαιδεύονταν. Για την εκπαίδευση του παίκτη AlphaGo χρησιμοποιήθηκε η μέθοδος της ωμής δύναμης (το μηχάνημα εξέτασε ένα δείγμα εκατοντάδων χιλιάδων συμβαλλόμενων μερών) που μοιάζει πολύ με τα εργαστηριακά μοντέλα που χρησιμοποιούνται δημοφιλώς ως GAN (γενετικά δίκτυα αντιπάλων). Είναι ιδιαίτερα ενδιαφέρον, επειδή εκπρόσωποι της ομάδας AlphaGo έρχονται αντιμέτωποι με αυτά τα ανταγωνιστικά νευρωνικά δίκτυα. Θα τα εξετάσουμε σε αυτό το άρθρο.

Μια τέτοια προσέγγιση στην κατάρτιση της τεχνητής νοημοσύνης δεν είναι πλέον ανταγωνιστικά δίκτυα ειδήσεων ειδήσεων ή μόνο τα GAN για πρώτη φορά εμφανίστηκαν το 2014 από τον Ian Goodfellow. Τα GAN λειτουργούν πολύ απλά - ως δέσμη δικηγόρων, κακοί μπάτσοι ή κριτικός συγγραφέας. Ένα δίκτυο (διακριτικό, D) ταξινομεί, σημειώνει τα εισερχόμενα δεδομένα ως ψευδή ή αληθή. Ένα ανταγωνιστικό δίκτυο (γεννήτρια, G) μελετά τις εκτιμήσεις του διακριτικού και μπορεί να δημιουργήσει νέα δεδομένα με βάση αυτές τις εκτιμήσεις. Αυτά τα νευρωνικά δίκτυα διδάσκουν αμοιβαία το ένα το άλλο. Και, πολύ ενδιαφέρον, τα GANs χρειάζονται πολύ μικρά δείγματα εκπαιδευτικών πληροφοριών - χρειάζονται μόνο μερικές εκατοντάδες εικόνες και τρεις ή τέσσερις κύκλοι επαναλήψεων για τη γεννήτρια για να αρχίσουν να παράγουν τις δικές τους εκδόσεις των αρχικών εικόνων (πριν η μαθησιακή διαδικασία των νευρωνικών δικτύων απαιτήσει πολλές ώρες και εκατομμύρια δείγματα).

Ένα από τα πιο ενδιαφέροντα μοντέλα GAN του AI ήταν το Facebook, το οποίο βιαζόταν ακόμη και να δημοσιεύσει μια θέση σχετικά με αυτό. Γιατί Facebook; Επειδή είναι ο πιο δημοφιλής παίκτης στην αγορά υψηλής τεχνολογίας - τόσο η Google, όσο και η Amazon και η Microsoft αγοράζουν μαζικά ομάδες και νεοσύστατες εταιρείες τεχνητής νοημοσύνης για να κάνουν τις δικές τους εξελίξεις. Αλλά είναι λίγο πίσω από το Facebook, το οποίο διαθέτει ένα τεράστιο δείγμα εκπαίδευσης για την κατάρτιση των AI σε εικόνες (το computer vision είναι μία από τις πιο δημοφιλείς μεθόδους κατάρτισης του AI) και μια εξαιρετική ομάδα FAIR (Ομάδα τεχνητής νοημοσύνης του Facebook).

Περίληψη: Το δίκτυο διακρίσεων μαθαίνει να διακρίνει τις πραγματικές φωτογραφίες από τις φωτογραφίες που δημιουργούνται από τον υπολογιστή και τις αμαξοστοιχίες γεννήτριας δικτύου για να δημιουργήσει ρεαλιστικές φωτογραφίες που δεν διακρίνονται από το πρωτότυπο. Σε αυτή την κούρσα κατάρτισης, και τα δύο δίκτυα έχουν ίσες (?) Πιθανότητες επιτυχίας. Τι θα συμβεί όταν ολοκληρωθεί η εκπαίδευσή τους;

Trendfall

Τα τελευταία χρόνια, η μηχανική μάθηση αντιμετωπίζει μόνο μια χρυσή εποχή - η αυξημένη δύναμη των υπολογιστών, η άμεση πρόσβαση σε μεγάλες συστοιχίες δεδομένων καθιστούν αυτή την περιοχή πολύ ζεστή. Σήμερα, το AI είναι ένα αυτοκίνητο της Ford στις αρχές του περασμένου αιώνα ή διαστημικοί δορυφόροι τη δεκαετία του '60 - μια γενική βιασύνη, ζοφερές προβλέψεις και μια αδύναμη κατανόηση του τι πρέπει να κάνει με όλο αυτό τον πλούτο. Παρακάτω παρατίθενται παραδείγματα πρόσφατων τεχνολογιών υψηλού προφίλ στον τομέα του AI.

Μία εκμάθηση είναι η εκπαίδευση των νευρωνικών δικτύων σε ένα μικρό αριθμό δεδομένων, ιδανικά με ένα μόνο παράδειγμα και ένα μικρό δείγμα για την κατάρτιση. Όλο και περισσότεροι νεοσύστατες επιχειρήσεις εργάζονται για την ταχεία εκμάθηση AI.

Έτσι, ο αλγόριθμος παιχνιδιών DeepStack δεν επαναλάμβανε τη μοίρα του Alpha Go, αλλά ήρθε πολύ κοντά στην επιτυχημένη εκπαίδευση σε μικρά δείγματα. Στα τέλη του 2016, η DeepStack πραγματοποίησε μια σειρά μαθημάτων Texas πόκερ με 11 παίκτες από τον διεθνή οργανισμό πόκερ. Ο αλγόριθμος πήρε 3000 συνδυασμούς με κάθε παίκτη για να δείξει αξιοπρεπή αποτελέσματα - σίγουροι (μέσος όρος 396 βαθμών) νίκες πάνω από δέκα παίκτες και στενή νίκη επί του ενδέκατου (70 βαθμοί, στατιστική ακρίβεια). Ο αλγόριθμος δεν ήταν απλώς μάθει στη διαδικασία των παιχνιδιών, αλλά χρησιμοποίησε τη μέθοδο επανεξέτασης (προσαρμογή σε κάθε νέο παίκτη και σε κάθε νέο συνδυασμό καρτών). Το DeepStack είναι το αποτέλεσμα της κοινής χρήσης αναδρομικών νευρωνικών δικτύων και GAN.

Το πρόγραμμα Microsoft ResNet για το νευρωνικό δίκτυο χρησιμοποιείται για την αναγνώριση εικόνων. Εάν καταγράψετε το έργο του νευρικού δικτύου κατά τη διαλογή και την αναγνώριση εικόνων, θα λάβετε αυτές τις εικόνες:

Προοπτική κατεύθυνση στην εγκληματολογική επιστήμη και τη φωτογραφία, Γήρανση προσώπου Με GANs - ένα ζευγάρι γεννήτρια διακρίσεων μετά από μια προπόνηση σε 5.000 φωτογραφίες ανθρώπινων προσώπων διαφορετικών ηλικιών μπορούν να αναπαράγουν, να προβλέπουν αλλαγές ατόμων με την ηλικία. Εάν η γεννήτρια αναπαράγει ένα ηλικιωμένο άτομο, ο διακριτικός καθορίζει πόσο το αποτέλεσμα αντιστοιχεί στο πρωτότυπο.

Ο βασιλιάς των εμπόρων της Goldman Sachs αντικατέστησε μερικούς από τους εμπόρους τους με αλγόριθμους. Ο τόπος των 600 συνήθων εμπόρων απασχολείται τώρα από 200 προγραμματιστές και μηχανικούς που υποστηρίζουν αλγορίθμους συναλλαγών. Αυτό συνδέεται με ένα μεγάλο (146 βαθμοί) σχέδιο διαχείρισης τραπεζών για την αυτοματοποίηση απλών πράξεων μεσιτείας. Οι έμποροι με εκτεταμένη εμπειρία και έμπειρους πωλητές δεν θα επηρεαστούν από αυτό.

Αν και σε μερικά hedge funds (Sentient Technologies inc., Numerai, Emma hedge fund), οι αλγόριθμοι έμποροι βασισμένοι σε AI ήδη κάνουν όλη την εργασία των αναλυτικών και των προβλέψεων αποτελεσμάτων. Συνήθως, οι ειδικοί στην AI δεν είναι ενθουσιασμένοι με την εργασία για τις χρηματοπιστωτικές επιχειρήσεις, αλλά τα οφέλη από τα μεγάλα σύνολα δεδομένων και τις ευκαιρίες για κατάρτιση AI αντισταθμίζουν το σκεπτικισμό και την απροθυμία να δουλέψουν για τους καπιταλιστές Μολόχες. Το 2016 ήταν το έτος γέννησης πολλών αμοιβαίων κεφαλαίων κινδύνου ταυτόχρονα, στα οποία διαπραγματεύεται τεχνητή νοημοσύνη.

Κινέζικο δίδυμο "Google" Baidu επίσης δεν κοιμάται. Οι περισσότερες κινεζικές εξελίξεις στον τομέα της AI, η μηχανική μάθηση διανέμονται δωρεάν και ο καθένας μπορεί να τις εξετάσει και να τις μελετήσει. Τον Ιανουάριο του 2017, ένα εργαστήριο τεχνητής πραγματικότητας άνοιξε στο Πεκίνο, όπου ο Andrew Eun θέλει να κάνει φίλους με την εικονική πραγματικότητα και το έργο των μηχανών αναζήτησης.

Μια άλλη ελπιδοφόρα εξέλιξη του Baidu είναι το ιατρικό bot Melody, το οποίο είναι σε θέση να διεξάγει μια βασική έρευνα ασθενούς και απειλεί να αντικαταστήσει ολόκληρο το τμήμα καταχώρισης στην πολυκλινική.

Εκδημοκρατισμός της ΑΠ - Σήμερα, οι ερευνητές χρειάζονται μεγάλο όγκο πληροφοριών και υπολογιστικής ισχύος, οπότε τώρα μόνο οι μεγάλες επιχειρήσεις και τα ερευνητικά ιδρύματα είναι ανταγωνιστικά στον τομέα της ΑΠ. Μόλις εμφανιστούν μοντέλα AI που είναι σε θέση να μελετήσουν μικρές ποσότητες πληροφοριών, θα είναι ακόμα πιο ενδιαφέρον, διότι ακόμα περισσότεροι άνθρωποι θα μπορούν να εκπαιδεύσουν και να εξερευνήσουν την ΑΠ. Ίσως θα υπάρξουν κοινωνικά δίκτυα (ήδη) όπου οι άνθρωποι θα μπορούν να μοιράζονται την πρόοδο στην εκπαίδευση των φορέων της ΑΠ.

Η διανομή θα λάβει μηχανισμούς για την αυτόματη ανίχνευση ψεύτικων ειδήσεων, φωτογραφιών και βίντεο. Η ανάπτυξη του IBR (rendering με βάση την εικόνα), μια τεχνολογία που επιτρέπει την σχεδίαση νέων πλαισίων με βάση τα υπάρχοντα (κάτι παρόμοιο με τις μεθόδους που έχουν ήδη εφαρμοστεί σε παρεμβολή ή παρεμβολή κίνησης) απαιτεί απλά την εμφάνιση ενός τέτοιου ψεύτικου αναλυτή.

Ένα άλλο γεια από την αδελφική Κίνα είναι η ανάπτυξη της αναγνώρισης προσώπου Face ++, η οποία σας επιτρέπει να πληρώσετε με το πρόσωπό σας (είναι δύσκολο να μετρήσετε πόσες στρώσεις υπάρχουν σε αυτό το παιχνίδι). Η δοκιμή της ανάπτυξης βασίζεται στο σύστημα πληρωμών Alipay: τώρα μπορείτε να κάνετε πληρωμές παρέχοντας μόνο το δικό σας πρόσωπο.

Στον τομέα της αναγνώρισης και αναπαραγωγής ομιλίας, παρουσιάζουν ενδιαφέρον μερικές περιπτώσεις: Παρουσίαση Adobe Voco (φωνητική μετατροπή) "Photoshop for voice" - μια εφαρμογή για το Adobe Audition που χειρίζεται το αρχικό δείγμα της ανθρώπινης ομιλίας, προσθέτει νέες λέξεις και έννοιες στο αρχικό μήνυμα. Τώρα, η ventriloquation παίρνει νέες έννοιες.

Ένα καλό παράδειγμα για το πώς ένας ανεξάρτητος ερευνητής μπορεί να διδάξει γλώσσες AI είναι:

Το πρόγραμμα διδάσκει αγγλικά:

Το πρόγραμμα διδάσκει ιαπωνικά:

Και τι θα συμβεί εάν αφήσετε τον AI χωρίς επιτήρηση; Θα αυτοδιδασκαληθεί χωρίς να σταματήσει και να γίνει όλο και πιο τέλειος, για παράδειγμα, στη μουσική:

Αλγόριθμος mashup ή τεχνητό Stravinsky

Αντί για συμπεράσματα: όταν ακούω ότι οι νέοι με πτυχίο MBA κάνουν AI νεοσύστατες επιχειρήσεις, το χέρι μου φτάνει για το ποντίκι. Εάν εξετάσουμε πόσο ελεύθερο λογισμικό και ισχυροί υπολογιστές είναι διαθέσιμοι στους απλούς ανθρώπους σήμερα, τότε η μόδα στο AI δεν πρέπει να είναι εκπληκτική. Παρά το HYIP γύρω από την τεχνητή νοημοσύνη και τη μηχανική μάθηση, τις εκπληκτικές προβλέψεις και τα παιδικά κόλπα όπως το Rocket AI, παρά τις προόδους που σημειώνονται σε αυτόν τον τομέα, το AI δύσκολα μπορεί να ονομαστεί νοημοσύνη στον ακριβή ορισμό αυτής της λέξης ("άνθρωποι, άνθρωποι παντού" Η τεχνητή νοημοσύνη εκτελείται τώρα από ανθρώπους, ο ΑΙ δεν μπορεί καν να ονομάζεται, λέει μόνο ό, τι οι επιστήμονες έχουν επενδύσει σε αυτό). Οι περισσότερες από τις υπηρεσίες που λειτουργούν με βάση την τεχνητή νοημοσύνη εξακολουθούν να υποστηρίζονται από προγραμματιστές, μπορούμε να μιλάμε μόνο για ένα πολύ μικρό κλάσμα της αυτοματοποίησης έξυπνων μηχανών. Μέχρι στιγμής, η τεχνητή νοημοσύνη επαναλαμβάνει μόνο και αναπαράγει εκπαιδευτικές ή εργασιακές πληροφορίες - ναι, καταπλήσσει με την υπολογιστική ισχύ και την ταχύτητα εκμάθησης, αλλά αυτό συμβαίνει. Είναι πολύ νωρίς για να μιλήσουμε για κάτι παρόμοιο με την ανθρώπινη ανώτερη νευρική δραστηριότητα. "Ναι, και όχι απαραίτητα," λέει ο Larry Niven *.

Ενημέρωση 02.23.17: Το Facebook κυκλοφόρησε το έργο Προφήτη, ένα αυτόματο εργαλείο επιχειρηματικών προβλέψεων. Ο προφήτης χρησιμοποιεί μοντέλα ανάλυσης μηδενικής παλινδρόμησης προσθέτων για τις προβλέψεις του.

Βασισμένο στο podcast με τους Ian Goodfellow και Richard Mallah.

* «Υπάρχουν μυαλά που σκέφτονται διαφορετικά». 15ος νόμος Niven *. - "Υπάρχουν μυαλά που σκέφτονται με τον ίδιο τρόπο όπως εσένα, μόνο με διαφορετικό τρόπο". 15 Νόμος Niven.

Loading...

Αφήστε Το Σχόλιό Σας