изследване

Какво се случва с изкуствен интелект? Анализ на 16 625 произведения през последните 25 години

Почти всичко, което чувате за изкуственоинтелигентността днес се дължи на дълбокото учене. Тази категория алгоритми работи със статистически данни за намиране на модели в данните и се оказа изключително мощен в имитацията на човешки умения, като способността ни да виждаме и чуваме. В много тясна степен тя дори може да имитира способността ни да разсъждаваме. Тези алгоритми поддържат търсенето от Google, новините във Facebook, механизма за препоръки на Netflix и също така формират индустрии като здравеопазването и образованието.

Как да развием дълбоко обучение

Въпреки факта, че дълбокото обучение е практическиЕдинствено изкуственият интелект на обществото беше разкрит, той представлява само малка светкавица в историческата задача на човечеството да възпроизведе собствената си интелигентност. Тя е начело на това търсене за по-малко от десетилетие. Ако, обаче, да се раздели цялата история на тази област, е лесно да се разбере, че скоро може да се отклони.

„Ако през 2011 г. някой е написал това дълбокоученето ще бъде на първите страници на вестниците и списанията в няколко, ние ще бъдем: уау, добре, вие пушите дрога, ”казва Педро Доминьос, професор по компютърни науки в Университета на Вашингтон и автор на книгата Master The Master Algorithm“.

Според него, внезапни възходи и паденияразлични методи отдавна се характеризират с изследвания в областта на изкуствения интелект. Всяко десетилетие има гореща конкуренция между различни идеи. Тогава, от време на време, превключвателят щраква и цялата общност започва да се занимава с едно нещо.

Нашите колеги от MIT Technology Review искахавизуализирайте тези пътувания и започвате. За тази цел те се обърнаха към една от най-големите бази данни за открити научни статии, известни като arXiv. Те са изтеглили откъси от общо 16 625 статии, достъпни в раздела „изкуствен интелект“ на 18 ноември 2018 г., и са проследили думите, споменати през годините, за да видят как се развива тази област.

Благодарение на техния анализ, три основнитенденции: преминаване към машинно обучение в края на 90-те - началото на 2000-те години, нарастващата популярност на невронните мрежи, започнали в началото на 2010-те години, и нарастването на обучението за укрепване през последните няколко години.

Но първо, няколко резерви. Първо, секцията arXiv с AI датира от 1993 г., а терминът "изкуствен интелект" се отнася до 50-те години на миналия век, така че самата база данни представлява само последните глави в историята на тази област. Второ, документите, които се добавят всяка година към базата данни, представляват само част от работата, която се извършва в тази област в момента. Въпреки това, arXiv предлага отличен ресурс за идентифициране на някои от основните тенденции в научните изследвания и за разглеждане на войната между различните идеологически лагери.

Парадигма на машинното обучение

Най-голямата промяна, която открихметова е отклонение от системите, основани на знанието, до началото на 2000-те години. Такива компютърни системи се основават на идеята, че можете да кодирате всички знания за човечеството в системата от правила. Вместо това учените се обърнаха към машинното обучение - родителската категория алгоритми, които включват дълбоко обучение.

Сред 100-те споменати думи са свързани със системитена основата на знанието - “логиката”, “ограниченията” и “правилото” - намалява най-много. А свързаните с машинното обучение - "данни", "мрежа", "изпълнение" - нарастваха повече от други.

Причината за тази промяна на времето е много проста. През 80-те години на 20 век системите, базирани на знанието, набираха популярност сред феновете, благодарение на вълнението около амбициозните проекти, които се опитваха да пресъздадат здравия разум в автомобилите. Но когато тези проекти бяха разгърнати, изследователите бяха изправени пред сериозен проблем: твърде много правила трябваше да бъдат кодирани, за да може системата да направи нещо полезно. Това доведе до увеличаване на разходите и значително забави сегашните процеси.

Отговорът на този проблем беше машинното обучение. Вместо да изискват от хората ръчно да кодират стотици хиляди правила, този подход програмира машините да извличат автоматично тези правила от купчина данни. По същия начин, тази област изостави системите, базирани на знанието, и се обърна към подобряване на машинното обучение.

Бум на невронната мрежа

Като част от новата парадигма за машинно обучениепреходът към дълбоко учене не настъпи веднага. Вместо това, както показва анализът на ключовите термини, учените са тествали много методи в допълнение към невронните мрежи, основните механизми за дълбоко учене. Други популярни методи включват байесовите мрежи, поддържащата векторна машина и еволюционните алгоритми, като всички те използват различни подходи за намиране на модели в данните.

През 90-те и 2000-те години между тяхустойчива конкуренция. След това през 2012 г. кардиналният пробив доведе до нова промяна на времето. По време на годишния конкурс на ImageNet, предназначен да ускори напредъка в компютърната визия, изследовател на име Джефри Хинтън и неговите колеги от Университета в Торонто постигнаха най-добрата точност при разпознаването на изображения с грешка от малко над 10%.

Техника на дълбоко обучениеизползвани, заредиха нова вълна от изследвания - първо в общността на визуализаторите, а след това и извън нея. Тъй като все повече и повече учени започнаха да я използват, за да постигнат впечатляващи резултати, популярността на тази техника, заедно с популярността на невронните мрежи, се е увеличила драстично.

Растеж на обучението за укрепване

Анализът показа, че няколко години след разцвета на дълбокото обучение е имало трета и последна промяна в изследванията на ИИ.

В допълнение към различните методи за машинно обучение,Има три различни вида: контролирано, неконтролирано и засилено обучение. Контролираното обучение, което включва подаване на етикетираните данни на машина, се използва най-често и също така има най-практични приложения днес. Въпреки това, през последните няколко години, обучението с подкрепления, които имитират процеса на обучение на животните чрез „моркови и пръчици“, наказания и награди, доведе до бързо нарастване на позоваванията на него в работата.

Самата идея не е нова, но за много десетилетия не е билаТой е работил. „Надзорните специалисти по обучението се смееха на треньорите по подсилване“, казва Домингьос. Но, както и при дълбокото учене, една повратна точка внезапно изведе метода на преден план.

Този момент дойде през октомври 2015 г., когато DeepMind AlphaGo, обучен с подкрепления, победи световния шампион в древната игра go. Въздействието върху изследователската общност беше мигновено.

Следващите десет години

Анализ на MIT Technology Review предвижда самоПоследната конкуренция между идеите, които характеризират изследванията на ИИ. Въпреки това, той илюстрира непостоянството на желанието за дублиране на разузнаването. “Важно е да се разбере, че никой не знае как да реши този проблем”, казва Домингьос.

Много от използваните методив продължение на 25 години те се появяват приблизително по едно и също време през 50-те години и не могат да посрещнат предизвикателствата и успехите на всяко десетилетие. Невронните мрежи, например, достигнаха своя връх през 60-те и малко през 80-те, но почти умряха, преди да си възвърнат популярността, благодарение на дълбокото учене.

С други думи, всеки десетилетие видяхдоминирането на други технологии: невронни мрежи в края на 50-те и 60-те години, различни символични опити през 70-те, базирани на знанието системи в 80-те години, байесови мрежи през 90-те години, референтни вектори в нулеви и невронни мрежи отново през 2010 г. х.

2020-те години няма да бъде по-различно, казваДоминго. Така ерата на дълбокото обучение може да приключи скоро. Но това, което ще се случи по-нататък - старата техника в новата слава или изцяло нова парадигма - е предмет на ожесточени спорове в общността.

"Ако отговорите на този въпрос", казва Домингуш, "искам да патентовам отговора."

За да уловим новината за изкуствения интелект от опашката, прочетете ни в Дзен.