Έρευνα

Τι συμβαίνει με την τεχνητή νοημοσύνη; Ανάλυση 16.625 έργων τα τελευταία 25 χρόνια

Σχεδόν όλα όσα ακούτε για τα τεχνητάσημερινή νοημοσύνη, οφείλεται σε βαθιά μάθηση. Αυτή η κατηγορία αλγορίθμων λειτουργεί με στατιστικά στοιχεία για να βρει μοτίβα στα δεδομένα και έχει αποδειχθεί εξαιρετικά ισχυρή στην απομίμηση ανθρώπινων δεξιοτήτων, όπως η ικανότητά μας να βλέπουμε και να ακούμε. Σε πολύ στενό βαθμό, μπορεί μάλιστα να μιμηθεί την ικανότητά μας να λογική. Αυτοί οι αλγόριθμοι υποστηρίζουν την αναζήτηση της Google, τη ροή ειδήσεων Facebook, τη μηχανή σύστασης Netflix και επίσης διαμορφώνουν βιομηχανίες όπως η υγειονομική περίθαλψη και η εκπαίδευση.

Πώς να αναπτύξετε βαθιά μάθηση

Παρά το γεγονός ότι η βαθιά μάθηση είναι πρακτικάΜόνο, αποκαλύφθηκε η τεχνητή νοημοσύνη του κοινού, αντιπροσωπεύει μόνο ένα μικρό φλας στο ιστορικό καθήκον της ανθρωπότητας να αναπαράγει τη δική της νοημοσύνη. Έχει βρεθεί στην πρώτη γραμμή αυτής της αναζήτησης για λιγότερο από μια δεκαετία. Εάν, ωστόσο, για να αποστασιοποιηθεί ολόκληρη η ιστορία αυτής της περιοχής, είναι εύκολο να καταλάβουμε ότι σύντομα μπορεί επίσης να αναχωρήσει.

"Αν το 2011 κάποιος έγραψε ότι βαθιάη μάθηση θα είναι στις πρώτες σελίδες των εφημερίδων και των περιοδικών σε λίγους, θα είμαστε: wow, καλά, καπνίζετε dope ", λέει ο Pedro Domingos, καθηγητής πληροφορικής στο Πανεπιστήμιο της Ουάσινγκτον και ο συγγραφέας του βιβλίου" Ο κύριος αλγόριθμος ".

Σύμφωνα με τον ίδιο, ξαφνικά σκαμπανεβάσματαδιάφορες μέθοδοι χαρακτηρίζονται εδώ και πολύ καιρό από την έρευνα στον τομέα της ΑΠ. Κάθε δεκαετία υπάρχει ένας καυτός ανταγωνισμός μεταξύ διαφορετικών ιδεών. Στη συνέχεια, από καιρό σε καιρό, ο διακόπτης κάνει κλικ και ολόκληρη η κοινότητα αρχίζει να συμμετέχει σε ένα πράγμα.

Οι συνάδελφοί μας από την MIT Technology Review ήθελαννα απεικονίσετε αυτές τις εκδρομές και να ξεκινήσετε. Για το σκοπό αυτό, στράφηκαν σε μία από τις μεγαλύτερες βάσεις δεδομένων ανοικτών επιστημονικών εφημερίδων, γνωστών ως arXiv. Έλαβαν αποσπάσματα από συνολικά 16.625 άρθρα που διατίθενται στην ενότητα "τεχνητή νοημοσύνη" στις 18 Νοεμβρίου 2018 και παρακολούθησαν τις λέξεις που αναφέρθηκαν κατά τη διάρκεια των ετών για να δούμε πώς αναπτύχθηκε αυτή η περιοχή.

Χάρη στην ανάλυσή τους, τρεις κύριεςτάσεις: η στροφή προς τη μηχανική μάθηση στα τέλη της δεκαετίας του '90 - στις αρχές της δεκαετίας του 2000, η ​​αυξανόμενη δημοτικότητα των νευρωνικών δικτύων που άρχισε στις αρχές της δεκαετίας του 2010 και η ανάπτυξη της μάθησης ενισχύσεων τα τελευταία χρόνια.

Αλλά πρώτα, μερικές επιφυλάξεις. Πρώτον, το τμήμα arXiv με AI χρονολογείται από το 1993 και ο όρος «τεχνητή νοημοσύνη» αναφέρεται στη δεκαετία του 1950, επομένως η ίδια η βάση δεδομένων αντιπροσωπεύει μόνο τα τελευταία κεφάλαια της ιστορίας αυτού του πεδίου. Δεύτερον, τα έγγραφα που προστίθενται στη βάση δεδομένων κάθε χρόνο αντιπροσωπεύουν μόνο ένα μέρος των εργασιών που γίνονται στον τομέα αυτό επί του παρόντος. Ωστόσο, το arXiv προσφέρει μια εξαιρετική πηγή για τον εντοπισμό μερικών από τις κύριες ερευνητικές τάσεις και για να δει το ρυμουλκό του πολέμου ανάμεσα σε διαφορετικά ιδεολογικά στρατόπεδα.

Εκμάθηση μηχανικής μάθησης

Η μεγαλύτερη στροφή που βρήκεερευνητές, είναι μια απόκλιση από τα συστήματα που βασίζονται στη γνώση, στις αρχές της δεκαετίας του 2000. Αυτά τα συστήματα υπολογιστών βασίζονται στην ιδέα ότι μπορείτε να κωδικοποιήσετε όλες τις γνώσεις της ανθρωπότητας στο σύστημα κανόνων. Αντ 'αυτού, οι επιστήμονες στράφηκαν στη μηχανική μάθηση - τη μητρική κατηγορία αλγορίθμων που περιλαμβάνουν βαθιά μάθηση.

Μεταξύ των 100 λέξεων που αναφέρονται αναφέρονται σε συστήματαμε βάση τη γνώση - "λογική", "περιορισμοί" και "κανόνας" - μειώθηκε το πολύ. Και που σχετίζονται με την εκμάθηση μηχανών - "δεδομένα", "δίκτυο", "απόδοση" - αυξήθηκαν περισσότερο από άλλα.

Ο λόγος αυτής της αλλαγής του καιρού είναι πολύ απλός. Στη δεκαετία του 1980, τα συστήματα βασισμένα στη γνώση κέρδιζαν δημοτικότητα μεταξύ των οπαδών, χάρη στον ενθουσιασμό γύρω από φιλόδοξα έργα που προσπάθησαν να αναδημιουργήσουν την κοινή λογική στα αυτοκίνητα. Ωστόσο, όταν αυτά τα έργα αναπτύχθηκαν, οι ερευνητές αντιμετώπισαν ένα σημαντικό πρόβλημα: έπρεπε να κωδικοποιηθούν πάρα πολλοί κανόνες, ώστε το σύστημα να μπορεί να κάνει κάτι χρήσιμο. Αυτό οδήγησε σε αύξηση του κόστους και επιβράδυνε σημαντικά τις τρέχουσες διαδικασίες.

Η απάντηση σε αυτό το πρόβλημα ήταν η εκμάθηση μηχανών. Αντί να απαιτούν από τους ανθρώπους να κωδικοποιούν με μη αυτόματο τρόπο εκατοντάδες χιλιάδες κανόνες, οι μηχανισμοί αυτοί προγραμμάτων προσεγγίζουν αυτόματα τους κανόνες από ένα σωρό δεδομένων. Ομοίως, η περιοχή αυτή εγκατέλειψε συστήματα βασισμένα στη γνώση και στράφηκε στη βελτίωση της εκμάθησης μηχανών.

Δύναμη νευρωνικού δικτύου

Ως μέρος του νέου μοντέλου εκμάθησης μηχανώνη μετάβαση στη βαθιά εκμάθηση δεν συνέβη αμέσως. Αντ 'αυτού, όπως φαίνεται από την ανάλυση των βασικών όρων, οι επιστήμονες έχουν δοκιμάσει πολλές μεθόδους εκτός από τα νευρωνικά δίκτυα, τους κύριους μηχανισμούς για βαθιά μάθηση. Άλλες δημοφιλείς μέθοδοι περιελάμβαναν τα Bayesian δίκτυα, τη μηχανή φορέα υποστήριξης και τους εξελικτικούς αλγόριθμους, που όλες χρησιμοποιούν διαφορετικές προσεγγίσεις για την εύρεση σχεδίων στα δεδομένα.

Κατά τη διάρκεια της δεκαετίας του 1990 και του 2000 μεταξύ αυτώνμεθόδους υπήρχε βιώσιμος ανταγωνισμός. Στη συνέχεια, το 2012, μια σημαντική εξέλιξη οδήγησε σε μια άλλη αλλαγή του καιρού. Κατά τη διάρκεια ενός ετήσιου διαγωνισμού ImageNet που σχεδιάστηκε για να επιταχύνει την πρόοδο της ηλεκτρονικής όρασης, ένας ερευνητής που ονομάζεται Geoffrey Hinton και οι συνεργάτες του στο Πανεπιστήμιο του Τορόντο πέτυχε την καλύτερη ακρίβεια στην αναγνώριση εικόνας με ένα λάθος μόλις πάνω από 10%.

Τεχνική της βαθιάς μάθησης αυτόςχρησιμοποιήθηκε, δημιούργησε ένα νέο κύμα έρευνας - πρώτα στην κοινότητα των οπτικοακουστικών μέσων και στη συνέχεια πέρα ​​από αυτήν. Καθώς όλο και περισσότεροι επιστήμονες άρχισαν να το χρησιμοποιούν για να επιτύχουν εντυπωσιακά αποτελέσματα, η δημοτικότητα αυτής της τεχνικής, μαζί με τη δημοτικότητα των νευρωνικών δικτύων, έχει αυξηθεί δραματικά.

Ανάπτυξη της μάθησης ενίσχυσης

Η ανάλυση έδειξε ότι λίγα χρόνια μετά την ακμή της βαθιάς μάθησης, υπήρξε μια τρίτη και τελική στροφή στην έρευνα του AI.

Εκτός από τις διάφορες μεθόδους εκμάθησης μηχανών,Υπάρχουν τρεις διαφορετικοί τύποι: εποπτευόμενοι, ανεξέλεγκτοι και ενισχυμένοι. Η εποπτευόμενη μάθηση, η οποία περιλαμβάνει την τροφοδοσία των ετικετών δεδομένων σε μια μηχανή, χρησιμοποιείται πιο συχνά και έχει επίσης τις πιο πρακτικές εφαρμογές σήμερα. Ωστόσο, τα τελευταία χρόνια, η εκπαίδευση με ενισχύσεις που μιμείται τη διαδικασία διδασκαλίας των ζώων μέσω "καρότων και ραβδίων", τιμωρίες και ανταμοιβές έχει οδηγήσει σε ταχεία αύξηση των αναφορών σε αυτό στα έργα.

Η ίδια η ιδέα δεν είναι νέα, αλλά για πολλές δεκαετίες δεν έχει υπάρξειεργάστηκε. "Οι επίβλεψη ειδικοί μάθησης γελούσαν στους εκπαιδευτές οπλισμού", λέει ο Domingos. Αλλά, όπως με τη βαθιά εκμάθηση, ένα σημείο καμπής έφερε ξαφνικά τη μέθοδο στο προσκήνιο.

Αυτή η στιγμή ήρθε τον Οκτώβριο του 2015, όταν το DeepMind AlphaGo, εκπαιδευμένο με ενισχύσεις, νίκησε τον παγκόσμιο πρωταθλητή στο αρχαίο παιχνίδι. Ο αντίκτυπος στην ερευνητική κοινότητα ήταν στιγμιαία.

Την επόμενη δεκαετία

Ανάλυση Το MIT Technology Review παρέχει μόνοΤο τελευταίο κομμάτι του ανταγωνισμού ανάμεσα στις ιδέες που χαρακτηρίζουν την έρευνα του AI. Ωστόσο, απεικονίζει την ακαταστασία της επιθυμίας για επανάληψη της νοημοσύνης. "Είναι σημαντικό να καταλάβουμε ότι κανείς δεν ξέρει πώς να λύσει αυτό το πρόβλημα", λέει ο Domingos.

Πολλές από τις μεθόδους που χρησιμοποιήθηκανκατά τη διάρκεια των 25 χρόνων, εμφανίστηκαν περίπου την ίδια ώρα στη δεκαετία του 1950 και δεν μπόρεσαν να αντιμετωπίσουν τις προκλήσεις και τις επιτυχίες κάθε δεκαετίας. Τα νευρικά δίκτυα, για παράδειγμα, έφτασαν στο αποκορύφωμά τους στη δεκαετία του '60 και λίγο στη δεκαετία του '80, αλλά πέθαναν σχεδόν πριν αποκαταστήσουν τη δημοτικότητά τους, χάρη στη βαθιά μάθηση.

Κάθε δεκαετία, με άλλα λόγια, είδεκυριαρχία του άλλου εξοπλισμού για νευρωνικά δίκτυα στα τέλη της δεκαετίας του '50 και του '60, διάφορες προσπάθειες συμβολική της δεκαετίας του '70, τα συστήματα που βασίζονται στη γνώση στη δεκαετία του '80, Bayesian δίκτυο 90, η αναφορά και η μηδενική φορείς στο νευρωνικό δίκτυο και πάλι στο 2010- x

Το 2020 δεν θα είναι διαφορετικό, λέειDomingos. Επομένως, η εποχή της βαθιάς μάθησης μπορεί να λήξει σύντομα. Αλλά τι θα συμβεί στη συνέχεια - η παλιά μέθοδος στη νέα δόξα ή ένα εντελώς νέο παράδειγμα - αυτό είναι το θέμα των σκληρών διαφορών στην κοινότητα.

"Εάν απαντήσετε σε αυτή την ερώτηση," λέει ο Domingos, "θέλω να κατοχυρώσω την απάντηση".

Για να πιάσετε την είδηση ​​της τεχνητής νοημοσύνης από την ουρά, διαβάστε μας στο Ζεν.