Zvětšit / Nemusíte být Keir Dullea, abyste to plně věděli uchopení umělé inteligence může být zastrašující Rinhart / Corbis prostřednictvím Getty Images
Umělá inteligence je nyní obrovská. “Neřešitelný” problémy se řeší, investují se miliardy dolarů, a Microsoft dokonce najal Common, aby vám řekl, jak je jeho A I skvělá s mluveným slovem poezie. Yikes.
Stejně jako u každé nové technologie může být těžké projít skrz humbuk. Strávil jsem roky výzkumem robotiky a UAV a “AI,” ale i já jsem měl těžké udržet krok. V nedávné době let jsem strávil spoustu času učením odpovídat i na některé z nich nejzákladnější otázky jako:
- O čem lidé mluví, když říkají AI?
- Jaký je rozdíl mezi umělou inteligencí, strojovým učením a hloubkou? učení se?
- Co je tak skvělého na hlubokém učení?
- Jaké dříve obtížné problémy lze snadno vyřešit, a co je stále těžké?
Vím, že nejsem sám v přemýšlení o těchto věcech. Takže pokud ano přemýšlel, co je vzrušením AI základní úroveň, je čas na malý pohled za oponou. Li jste odborník na umělou inteligenci, který čte papíry NIPS pro zábavu, nebude mnoho nového pro vás tady – ale všichni se těšíme na vaše objasnění a opravy v komentářích.
Co je AI?
V počítačové vědě je starý vtip, který vypadá takto: jaký je rozdíl mezi umělou inteligencí a automatizací? automatizace je to, co můžeme dělat s počítači, a AI je to, co si přejeme mohli jsme to udělat. Jakmile zjistíme, jak něco udělat, zastaví se být AI a začíná být automatizován.
Tento vtip existuje, protože i dnes není AI v pořádku definované – umělá inteligence prostě není technický pojem. Li měli jste to vyhledat na Wikipedii, AI je „inteligence“ prokázáno stroji, na rozdíl od přirozené inteligence vystavené lidmi a jinými zvířaty. “To je asi tak vágní jako můžeš dostat.
Obecně existují dva druhy AI: silná AI a slabá AI. Silná umělá inteligence je to, na co by většina lidí mohla myslet, když uslyší AI – nějaká božská vševědoucí inteligence jako Skynet nebo Hal 9000 je schopen obecného uvažování a inteligence podobné člověku při překonávání lidských schopností.
Slabé AI jsou vysoce specializované algoritmy navržené tak, aby odpovídaly specifické, užitečné otázky v úzce definovaných problémových doménách. Aopravdu dobrý šachový program, například, se hodí do této kategorie. Totéž platí pro software, který je opravdu přesný při nastavování prémiové pojištění. Tato nastavení AI jsou působivá svým způsobem ale celkově velmi omezené.
Další čtení
DeepMind AI potřebuje pouhé 4 hodiny sebevzdělávání, aby se stala šachy vládce
Až na hollywood, dnes nejsme nikde blízko silnému AI. Právě teď je veškerá umělá inteligence slabá umělá inteligence a většina vědců v oboru souhlasí, že techniky, které jsme vymysleli, aby byly opravdu skvělé slabé AI nás pravděpodobně nedostanou k silným AI.
AI tedy v současnosti představuje spíše marketingový termín než a technické. Důvodem je, že společnosti nabízejí své „AI“ jako na rozdíl od „automatizace“ je to proto, že chtějí vyvolat obraz hollywoodské AI v mysli veřejnosti. Ale … to není úplně špatně. Pokud jsme laskaví, společnosti prostě mohou být se snaží říci, že i když nejsme nikde blízko silného AI, slabé AI dneška jsou mnohem schopnější než jediní Před několika lety.
Jakékoli marketingové instinkty stranou, to je ve skutečnosti pravda. V některých v oblastech došlo ve skutečnosti k prudkým změnám schopností stroje, a to hlavně kvůli dvěma dalším buzzwordsům slyšet hodně: strojové učení a hluboké učení.
Zvětšit / Stále z krátkého videa, které Facebook inženýři zveřejnili demonstrated real-time AI recognition of cat pictures (aka the holygrál pro internet) .Facebook Strojové učení
Strojové učení je zvláštní způsob, jak vytvořit stroj inteligence. Řekněme, že jste chtěli vypustit raketu a předpovídat kam to půjde. To ve velkém schématu věcí není těžký: gravitace je docela dobře pochopitelná a můžete si napsat rovnice a zjistit, kam to půjde, na základě několika proměnných jako rychlost a počáteční pozice.
Ale tohle je těžkopádné, když se díváte na něco, kde pravidla nejsou tak jasná a známá. Řekněme, že chcete počítač podívat se na obrázky a chcete vědět, zda některý z nich ukazuje a obrázek kočky. Jak píšete pravidla k popisu toho, co každá možná kombinace vousů a kočičích uší vypadá každý možný úhel?
Další čtení
„OK Facebook“ – Proč se zastavit u asistentů? Facebook má větší zájem ambice pro moderní AI
Přístup ke strojovému učení je nyní dobře známý: místo Při pokusu o zapsání pravidel vytvoříte systém, který dokáže přijít na to poté, co bylo předvedeno mnoho, vytvořil svůj vlastní soubor internalizovaných pravidel příklady. Namísto pokusu o popis koček byste to jen ukázali vaše AI spoustu obrázků koček a nechte to přijít na to, co je a není kočka.
To je ideální pro náš současný svět. Systém, který se učí vlastní pravidla z dat lze vylepšit o více dat. A pokud ano jedna věc, kterou jsme dostali opravdu dobře, je druh generování, ukládání a správa velkého množství dat. Chcete být lepší při rozpoznávání koček? Internet generuje miliony příklady, jak mluvíme.
Neustále rostoucí příliv dat je jednou z částí stroje Vzdělávací algoritmy vyhodily do povětří. Druhá část musí udělat s tím, jak data použít.
Se strojovým učením jsou kromě dat ještě dva, související otázky:
- Jak si pamatuji, co jsem se naučil? Jak na počítači? ukládat a reprezentovat vztahy a pravidla, ze kterých jsem čerpal příklad dat?
- Jak mohu učit? Jak upravím reprezentaci Uložil jsem odpověď na nové příklady a vylepšil jsem se?
Jinými slovy, co to vlastně dělá poučení ze všech těchto dat?
Ve strojovém učení, výpočetní reprezentace učení, že ukládáte, se nazývá model. Druh modelu, který používáte, má obrovské účinky: určuje, jak vaše AI se učí, z jakých dat se může poučit a z jakého druhu otázky, které můžete položit.
Pojďme se podívat na opravdu jednoduchý příklad a uvidíme, co tím myslím. Řekněme, že nakupujeme fíky v obchodě s potravinami a chceme udělejte strojové učení AI, které nám řekne, kdy jsou zralé. Tento by mělo být docela snadné, protože u fíků je to v podstatě měkčí jsou sladší.
Mohli bychom si vybrat několik vzorků zralého a nezralého ovoce, uvidíme jak jsou sladké, pak je dejte do grafu a vložte řádek. Tento linka je náš model.
Naše dítě AI, v podobě linky. “Čím měkčí, tím sladší je …” Haomiao Huang
Když přidáte další data, věci se rychle ztíží. Ačkoli, i když, ale, však, nicméně. Haomiao Huang
Podívejte se na to! Linka implicitně zachycuje myšlenku „ čím měkčí je, tím sladší je “, aniž bychom to museli psát dolů. Naše dítě AI neví nic o obsahu cukru a jak ovoce dozrávají, ale může předpovídat, jak sladké bude ovoce mačkání.
Jak trénujeme náš model, aby byl lepší? Některé můžeme sbírat více vzorků a další řádek se přizpůsobí, aby byla přesnější předpovědi (jako tomu bylo v druhém obrázku výše).
Problémy se okamžitě projeví. Trénovali jsme náš obr AI na pěkné fíky obchodu s potravinami doposud, ale co se stane, když vyhodíme to ve fíkovém sadu? Najednou není jen zralé ovoce, je zde také shnilé ovoce. Jsou super měkké, ale jsou rozhodně není dobré jíst.
Co děláme? No, je to model strojového učení, takže můžeme jen to krmte nová data, že?
Jak ukazuje první obrázek níže, v tomto případě bychom dostali zcela nesmyslný výsledek. Linka prostě není dobrý způsob zachytit, co se stane, když bude ovoce příliš zralé. Náš model již není odpovídá základní struktuře dat.
Místo toho musíme provést změnu a použít lepší, komplexnější model – možná se hodí parabola nebo něco podobného. Že vyladění způsobuje, že trénink je komplikovanější, protože se přizpůsobuje tyto křivky vyžadují složitější matematiku než montáž a řádek.
Dobře, možná linka nebyla tak dobrý nápad pro komplexní AI … Haomiao Huang
Nyní je zapotřebí složitější matematika. Haomiao Huang
Toto je docela hloupý příklad, ale ukazuje vám, jaký druh zvolený model určuje učení, které můžete udělat. S fíky, data jsou jednoduchá, takže vaše modely mohou být jednoduché. Ale pokud to zkoušíte Chcete-li se naučit něco složitějšího, potřebujete složitější modely. Prostě protože žádné množství dat by neumožnilo modelu line-fit zachytit jak hnilé ovoce se chová, neexistuje způsob, jak udělat jednoduchou křivku, která se hodí na hromadu obrázků a získat algoritmus počítačového vidění.
Výzvou strojového učení je tedy vytváření a výběr správných modelů pro správné problémy. Potřebujeme model to je natolik sofistikované, aby zachytilo opravdu komplikované vztahy a struktura, ale natolik jednoduchá, že s nimi pracujeme a trénovat to. Takže i když internet, chytré telefony atd dali jsme k dispozici obrovské množství dat, abychom mohli trénovat, my stále potřebujeme správné modely, aby bylo možné tato data využít.
A právě tam přichází hluboké učení.
