4 dôvody, prečo sa nebáť hlbokého učenia (zatiaľ) Ben Dickson

V roku 2012 urobila skupina vedcov z University of Toronto prielom v klasifikácii obrázkov.

V ImageNet, ročnej súťaži umelej inteligencie (AI), v ktorej sa súťažiaci snažia vytvoriť najpresnejší algoritmus klasifikácie obrázkov, tím Toronto debutoval AlexNet, „ktorý porazil pole o neuveriteľných 10, 8 percentuálneho bodu… o 41 percent lepšie ako ďalšie najlepšie, “podľa Quartza.

Hlboké vzdelávanie, metóda použitá tímom, bolo radikálnym zlepšením oproti predchádzajúcim prístupom k umelej inteligencii a prinieslo novú éru inovácií. Odvtedy si našla cestu do vzdelávania, zdravotnej starostlivosti, kybernetickej bezpečnosti, stolových hier a prekladu a vyzbierala miliardy dolárov v investíciách do Silicon Valley.

Mnohí ocenili hlboké učenie a jeho nadmnožinu, strojové učenie, ako univerzálnu technológiu našej doby a hlbšiu ako elektrina a oheň. Iní však varujú, že dôkladné učenie sa nakoniec stane najlepším človekom pri každej úlohe a stane sa konečným zabijakom práce. A explózia aplikácií a služieb poháňaných hlbokým učením vyvolala obavy z apokalypsy AI, v ktorej superinteligentné počítače dobývajú planétu a vedú ľudí k otroctvu alebo vyhynutiu.

Ale napriek humbuku, hlboké učenie má určité nedostatky, ktoré mu môžu brániť v realizácii niektorých svojich sľubov - pozitívnych aj negatívnych.

Hlboké vzdelávanie sa príliš spolieha na údaje

Hlboké učenie a hlboké neurónové siete, ktoré tvoria jeho základnú štruktúru, sa často porovnávajú s ľudským mozgom. Ale naša myseľ sa môže učiť pojmy a robiť rozhodnutia s veľmi malým množstvom údajov; Hlboké učenie si vyžaduje veľa vzoriek na vykonanie najjednoduchšej úlohy.

Hlboké učenie je v jadre komplexná technika, ktorá mapuje vstupy do výstupov nájdením spoločných vzorcov v označených údajoch a pomocou znalostí kategorizuje ďalšie vzorky údajov. Napríklad poskytnite aplikácii pre hlboké vzdelávanie dostatok obrázkov mačiek a bude môcť zistiť, či fotografia obsahuje mačku. Podobne, keď algoritmus hlbokého učenia požije dostatok zvukových vzoriek rôznych slov a fráz, dokáže rozpoznať a prepisovať reč.

Tento prístup je však účinný iba v prípade, že máte dostatok kvalitných údajov na to, aby ste mohli využívať svoje algoritmy. V opačnom prípade môžu algoritmy hlbokého učenia robiť veľké chyby (napríklad zamieňať pušku s vrtuľníkom). Ak ich údaje nie sú inkluzívne a rôznorodé, algoritmy hlbokého učenia sa dokonca prejavili rasistickým a sexistickým správaním.

Spoliehanie sa na údaje tiež spôsobuje problém centralizácie. Pretože majú prístup k obrovskému množstvu údajov, spoločnosti ako Google a Amazon majú lepšiu pozíciu na vývoj vysoko efektívnych aplikácií pre hlboké vzdelávanie ako začínajúce podniky s menším objemom zdrojov. Centralizácia AI v niekoľkých spoločnostiach by mohla brániť inováciám a dať týmto spoločnostiam príliš veľkú prevahu nad ich používateľmi.

Hlboké vzdelávanie nie je flexibilné

Ľudia sa môžu učiť abstraktné koncepty a aplikovať ich na rôzne situácie. Robíme to stále. Napríklad, keď hráte počítačovú hru, ako je Mario Bros, prvýkrát, môžete okamžite využiť znalosti zo skutočného sveta - napríklad potrebu preskočiť jamy alebo sa vyhnúť ohnivým loptičkám. Následne môžete svoje vedomosti o hre aplikovať na ďalšie verzie Mario, ako napríklad Super Mario Odyssey, alebo na iné hry s podobnými mechanikami, ako sú Donkey Kong Country a Crash Bandicoot.

Aplikácie AI sa však musia učiť všetko od nuly. Pohľad na to, ako sa algoritmus hlbokého učenia naučí hrať Mario, ukazuje, aký rozdielny je proces učenia sa AI od procesu u ľudí. V podstate začína nevedieť nič o svojom prostredí a postupne sa učí interagovať s rôznymi prvkami. Avšak vedomosti, ktoré získa z hry Mario, slúžia iba úzkej doméne tejto jedinej hry a nie sú prenosné na iné hry, dokonca ani na iné hry Mario.

Táto absencia konceptuálneho a abstraktného porozumenia vedie k tomu, že aplikácie zamerané na hlboké vzdelávanie sa zameriavajú na obmedzené úlohy a bráni rozvoju všeobecnej umelej inteligencie, takej inteligencie, ktorá dokáže robiť intelektuálne rozhodnutia ako ľudia. To nemusí byť nevyhnutne slabina; Niektorí odborníci tvrdia, že vytvorenie všeobecnej AI je zbytočný cieľ. V porovnaní s ľudským mozgom je to určite obmedzenie.

Hlboké učenie je nepriehľadné

Na rozdiel od tradičného softvéru, pre ktorý programátori definujú pravidlá, aplikácie pre hlboké vzdelávanie vytvárajú svoje vlastné pravidlá spracovaním a analýzou testovacích údajov. Preto nikto nevie, ako dospieva k záverom a rozhodnutiam. Dokonca aj vývojári algoritmov hlbokého učenia sa často cítia zmätení výsledkami svojich výtvorov.

Táto nedostatočná transparentnosť by mohla byť hlavnou prekážkou pre umelú inteligenciu a hlboké vzdelávanie, pretože táto technológia sa snaží nájsť svoje miesto v citlivých oblastiach, ako sú liečba pacientov, presadzovanie práva a autá s vlastným riadením. Algoritmy hlbokého učenia môžu byť menej náchylné na chyby ako ľudia, ale keď urobia chyby, dôvody týchto chýb by mali byť vysvetlené. Ak nedokážeme pochopiť, ako fungujú naše aplikácie AI, nedokážeme im dôverovať v kritické úlohy.

Hlboké učenie by mohlo byť preťažené

Hlboké vzdelávanie sa už osvedčilo v mnohých oblastiach a bude aj naďalej meniť spôsob, akým veci robíme. Napriek svojim nedostatkom a obmedzeniam nás hlboké učenie nezlyhalo. Musíme však upraviť naše očakávania.

Ako varuje vedec AI Gary Marcus, nadmerné prepínanie technológie by mohlo viesť k ďalšej „zime AI“ - k obdobiu, keď príliš vysoké očakávania a nedostatočné výsledky vedú k všeobecnému sklamaniu a nezáujmu.

Marcus navrhuje, že hlboké vzdelávanie nie je „univerzálnym rozpúšťadlom, ale jedným z mnohých nástrojov“, čo znamená, že zatiaľ čo pokračujeme v skúmaní možností, ktoré poskytuje hlboké vzdelávanie, mali by sme sa pozrieť aj na iné, zásadne odlišné prístupy k vytváraniu aplikácií AI.

Dokonca aj profesor Geoffrey Hinton, ktorý bol priekopníkom práce, ktorá viedla k revolúcii v hlbokom učení, verí, že bude pravdepodobne potrebné vymyslieť úplne nové metódy. „Budúcnosť závisí od nejakého postgraduálneho študenta, ktorý je hlboko podozrievavý zo všetkého, čo som povedal, “ povedal Axiosovi.