Čo je to strojové učenie?

V decembri 2017 predstavilo výskumné laboratórium spoločnosti DeepMind, ktoré získala spoločnosť Google v roku 2014, program AlphaZero, program umelej inteligencie, ktorý by mohol poraziť majstrov sveta na niekoľkých doskových hrách.

Je zaujímavé, že AlphaZero od ľudí nedostalo žiadne pokyny, ako hrať hry (odtiaľ meno). Namiesto toho použil strojové učenie, odvetvie AI, ktoré rozvíja svoje správanie prostredníctvom skúseností namiesto explicitných príkazov.

Do 24 hodín dosiahol AlphaZero nadľudské vystúpenie v šachu a porazil predchádzajúci šachový program majstra sveta. Krátko nato algoritmus strojového učenia AlphaZero zvládol aj Shogi (japonský šach) a čínsku stolovú hru Go a porazil svojho predchodcu AlphaGo 100 na nulu.

Strojové učenie sa v posledných rokoch stalo populárnym a pomáha počítačom riešiť problémy, o ktorých sa predtým myslelo, že sú výhradnou doménou ľudskej inteligencie. Aj keď je to stále ďaleko od pôvodnej vízie umelej inteligencie, strojové učenie nás dostalo oveľa bližšie ku konečnému cieľu vytvoriť mysliace stroje.

Aký je rozdiel medzi umelou inteligenciou a strojovým učením?

Tradičné prístupy k rozvoju umelej inteligencie zahŕňajú dôkladné kódovanie všetkých pravidiel a znalostí, ktoré definujú správanie agenta AI. Pri vytváraní AI založenej na pravidlách musia vývojári napísať pokyny, ktoré určujú, ako by sa AI malo správať v reakcii na každú možnú situáciu. Tento prístup založený na pravidlách, známy tiež ako dobrý staromódny AI (GOFAI) alebo symbolický AI, sa snaží napodobniť funkcie ľudského myslenia a reprezentácie vedomostí.

Dokonalým príkladom symbolickej umelej inteligencie je Stockfish, šachový motor s otvoreným zdrojovým kódom, ktorý sa vyrába už viac ako 10 rokov. Stovky programátorov a šachistov prispeli k Stockfishovi a pomohli rozvíjať jeho logiku kódovaním jeho pravidiel - napríklad čo by mal AI urobiť, keď súper presunie svojho rytiera z B1 na C3.

AI založená na pravidlách však často naráža na situácie, keď sú pravidlá príliš zložité a implicitné. Napríklad rozpoznávanie reči a objektov v obrazoch sú pokročilé operácie, ktoré sa nedajú vyjadriť logickými pravidlami.

Na rozdiel od symbolických AI sa modely strojového vzdelávania AI nevyvíjajú písaním pravidiel, ale zhromažďovaním príkladov. Napríklad na vytvorenie šachového stroja založeného na strojovom učení vývojár vytvorí základný algoritmus a potom ho „vycvičí“ údajmi z tisícok predtým hraných šachových hier. Analýzou údajov nájde AI spoločné vzorce, ktoré definujú výherné stratégie, ktoré môže použiť na porazenie skutočných protivníkov.

Čím viac hier posudzuje AI, tým lepšie sa stáva pri predpovedaní víťazných pohybov počas hry. Preto je strojové učenie definované ako program, ktorého výkon sa so skúsenosťou zlepšuje.

Strojové učenie je použiteľné pre mnohé úlohy v skutočnom svete, vrátane klasifikácie obrázkov, rozpoznávania hlasu, odporúčaní obsahu, zisťovania podvodov a spracovania prirodzeného jazyka.

Učenie pod dohľadom a bez dozoru

V závislosti od problému, ktorý chcú vyriešiť, vývojári pripravia relevantné údaje na zostavenie svojho modelu strojového vzdelávania. Napríklad, ak chceli použiť strojové učenie na odhaľovanie podvodných bankových transakcií, vývojári zostavili zoznam existujúcich transakcií a označili ich ich výsledkom (podvodnými alebo platnými). Keď údaje vložia do algoritmu, oddelí podvodné a platné transakcie a nájde spoločné vlastnosti v rámci každej z týchto dvoch tried. Proces vzdelávacích modelov s anotovanými údajmi sa nazýva „učenie pod dohľadom“ av súčasnosti je dominantnou formou strojového učenia.

Mnoho online archívov označených údajov pre rôzne úlohy už existuje. Niektoré populárne príklady sú ImageNet, súbor údajov s otvoreným zdrojom s viac ako 14 miliónmi označených obrázkov a MNIST, súbor údajov s 60 000 ručne napísanými číslicami. Vývojári strojového učenia tiež používajú platformy ako Amazon's Mechanical Turk, online prenajímacie centrum na vyžiadanie na vykonávanie kognitívnych úloh, ako je označovanie obrázkov a zvukových vzoriek. A rastúci sektor startupov sa špecializuje na anotáciu údajov.

Nie všetky problémy však vyžadujú označené údaje. Niektoré problémy strojového učenia sa dajú vyriešiť pomocou „učenia bez dozoru“, kde modelu AI poskytnete nezpracované údaje a necháte ho zistiť, ktoré vzory sú relevantné.

Bežným využívaním učenia bez dozoru je zisťovanie anomálií. Napríklad algoritmus strojového učenia môže trénovať nespracované údaje o sieťovej prevádzke zariadenia pripojeného na internet - povedzme inteligentnú chladničku. Po tréningu AI vytvorí základnú čiaru pre zariadenie a môže označiť mimovoľné správanie. Ak sa zariadenie nakazí škodlivým softvérom a začne komunikovať so škodlivými servermi, model strojového učenia ho bude schopný zistiť, pretože sieťová prevádzka sa líši od bežného správania pozorovaného počas tréningu.

Posilnenie učenia

V súčasnosti pravdepodobne viete, že kvalitné školiace údaje zohrávajú obrovskú úlohu pri efektívnosti modelov strojového učenia. Posilňovacie učenie je však špecializovaný typ strojového učenia, pri ktorom si AI rozvíja svoje správanie bez použitia predchádzajúcich údajov.

Modely výučby posilnenia začínajú čistou tabuľou. Inštruktáž im dáva iba základné pravidlá svojho prostredia a úlohy, ktoré majú k dispozícii. Prostredníctvom pokusov a omylov sa učia optimalizovať svoje činnosti pre svoje ciele.

AlphaZero spoločnosti DeepMind je zaujímavým príkladom posilňovacieho učenia. Na rozdiel od iných modelov strojového učenia, ktoré musia vidieť, ako ľudia hrajú šachy a učiť sa od nich, AlphaZero začal poznať iba pohyby figúrok a podmienky výhry hry. Potom odohral proti sebe milióny zápasov, počnúc náhodnými akciami a postupne sa rozvíjajú vzorce správania.

Učenie o posilňovaní je horúcou oblasťou výskumu. Je to hlavná technológia použitá na vývoj modelov AI, ktoré dokážu zvládnuť zložité hry, ako napríklad Dota 2 a StarCraft 2, a používa sa tiež na riešenie problémov v reálnom živote, ako je správa zdrojov dátového centra a vytváranie robotických rúk, ktoré dokážu zvládnuť objekty s ľudskou zručnosťou.,

Hlboké učenie

Hlboké vzdelávanie je ďalšou populárnou podskupinou strojového učenia. Používa umelé neurónové siete, softvérové ​​konštrukcie, ktoré sú zhruba inšpirované biologickou štruktúrou ľudského mozgu.

Neurónové siete vynikajú spracovaním neštruktúrovaných údajov, ako sú obrázky, video, zvuk a dlhé výňatky textu, ako sú články a výskumné práce. Pred hlbokým učením museli odborníci na strojové učenie vynaložiť veľké úsilie na extrahovanie funkcií z obrázkov a videí a na to by spustili svoje algoritmy. Neurónové siete automaticky zisťujú tieto vlastnosti bez toho, aby vyžadovali veľké úsilie od ľudských technikov.

Hlboké vzdelávanie je za mnohými modernými technológiami AI, ako sú autá bez vodiča, pokročilé prekladové systémy a technológia rozpoznávania tváre vo vašom iPhone X.

Hranice strojového učenia

Ľudia často zamieňajú strojové učenie s umelou inteligenciou na úrovni človeka a marketingové oddelenia niektorých spoločností zámerne používajú pojmy zameniteľne. Aj keď strojové učenie urobilo veľké pokroky pri riešení zložitých problémov, stále nie je ďaleko od vytvorenia mysliacich strojov, ktoré predpokladajú priekopníci AI.

Skutočná inteligencia si okrem učenia zo skúseností vyžaduje aj zdôvodnenie, zdravý rozum a abstraktné myslenie - oblasti, v ktorých modely strojového učenia fungujú veľmi zle.

Napríklad, zatiaľ čo strojové učenie je dobré pri zložitých úlohách rozpoznávania vzorov, ako je predpovedanie rakoviny prsníka päť rokov vopred, zápasí s jednoduchšími logickými a zdôvodňujúcimi úlohami, ako je napríklad riešenie problémov matematiky na strednej škole.

Nedostatok schopnosti odôvodnenia strojového učenia znemožňuje zovšeobecnenie jeho vedomostí. Napríklad agent strojového učenia, ktorý dokáže hrať Super Mario 3 ako profesionál, nebude dominovať inej platformovej hre, ako je Mega Man, ani inej verzii Super Mario. Bolo by potrebné vyškoliť od nuly.

Bez schopnosti extrahovať koncepčné znalosti zo skúseností si modely strojového učenia vyžadujú veľa údajov o výcviku. Bohužiaľ, mnohým oblastiam chýba dostatok údajov o odbornej príprave alebo nemajú prostriedky na získanie ďalších informácií. Hlboké učenie, ktoré je v súčasnosti prevládajúcou formou strojového učenia, tiež trpí problémom s vysvetliteľnosťou: Neurónové siete pracujú komplikovaným spôsobom a dokonca aj ich tvorcovia sa snažia sledovať svoje rozhodovacie procesy. To sťažuje využitie sily neurónových sietí v prostrediach, v ktorých existuje zákonná požiadavka na vysvetlenie rozhodnutí AI.

Našťastie sa vynakladá úsilie na prekonanie limitov strojového učenia. Jedným z významných príkladov je rozsiahla iniciatíva výskumnej skupiny ministerstva obrany DARPA na vytvorenie vysvetliteľných modelov AI.

• Čo je to umelá inteligencia (AI)? Čo je to umelá inteligencia (AI)?
• Väčšina dolárov AI ide na strojové učenie Väčšina dolárov AI ide na strojové učenie
• Ako chcete vidieť použité AI? Ako chcete vidieť použité AI?

Cieľom ďalších projektov je znížiť nadmerné spoliehanie sa na strojové učenie na anotované údaje a sprístupniť túto technológiu doménam s obmedzenými údajmi o odbornej príprave. Vedci z IBM a MIT nedávno urobili cestu do terénu kombináciou symbolickej AI s neurónovými sieťami. Hybridné modely AI vyžadujú na školenie menej údajov a môžu poskytnúť podrobné vysvetlenie svojich rozhodnutí.

Zostáva len uvidieť, či nám vývoj strojového učenia nakoniec pomôže dosiahnuť stále nepolapiteľný cieľ vytvorenia umelej inteligencie na ľudskej úrovni. Čo však vieme s istotou, je to, že vďaka pokroku v strojovom učení sa zariadenia, ktoré sú umiestnené na našich stoloch a ležia v našich vreckách, sú každý deň múdrejší.