kutatás

Mi történik a mesterséges intelligenciával? 16 625 munka elemzése az elmúlt 25 évben

Szinte mindent, amit mesterségesen hallintelligencia a mély tanulásnak köszönhető. Ez az algoritmus-kategória statisztikával dolgozik, hogy az adatmintákat találja, és rendkívül erősnek bizonyult az emberi készségek utánzásában, mint például a látási és hallási képességünk. Nagyon szűk körben még az indoklási képességünket is utánozza. Ezek az algoritmusok támogatják a Google keresését, a Facebook hírcsatornáját, a Netflix ajánlási motorját, és olyan ágazatokat is alkotnak, mint az egészségügy és az oktatás.

Hogyan fejleszthetjük ki a mélyreható tanulást

Annak ellenére, hogy a mély tanulás gyakorlatilagEgyedül kiderült, hogy a közönség mesterséges intelligenciája csak egy kis villogást jelent az emberiség történelmi feladatában, hogy saját intelligenciáját reprodukálja. A keresés élvonalában kevesebb, mint egy évtizede volt. Ha azonban el kell távolítanunk a terület teljes történetét, könnyen érthető, hogy hamarosan el is indulhat.

"Ha 2011-ben valaki azt írta, hogy mélyA tanulás az újságok és magazinok első oldalain lesz néhány, így lenne: wow, nos, dohányzunk, ”mondja Pedro Domingos, a Washington Egyetem számítástechnikai professzora és a gorith The Master Algorith könyv szerzője.

Elmondása szerint, hirtelen hullámvölgyönA különböző módszerek már régóta jellemezték az AI területén végzett kutatást. Minden évtizedben forró verseny alakul ki a különböző ötletek között. Ezután időről időre a kapcsoló kattintások és az egész közösség egy dologba kezd.

MIT Technology Review munkatársaink akartakvizualizálja ezeket a kirándulásokat és indulásokat. Ebből a célból fordultak az arXiv néven ismert nyitott tudományos cikkek egyik legnagyobb adatbázisához. Letöltöttek egy részletet összesen 16 625 cikkből, amelyeket 2018. november 18-án a „mesterséges intelligencia” szekcióban találtak, és nyomon követték az évek során említett szavakat, hogy lássák, hogyan alakult ki ez a terület.

Elemzésüknek köszönhetően három főtrendek: a 90-es évek végén a gépi tanulás irányába történő elmozdulás - a 2000-es évek elején, a 2010-es évek elején megkezdődött növekvő népszerűsége a neurális hálózatoknak, valamint az elmúlt években a megerősítő tanulás növekedése.

De először is, néhány fenntartás. Először is, az AI-vel rendelkező arXiv-szakasz 1993-ban nyúlik vissza, és a „mesterséges intelligencia” kifejezés az 1950-es évekre utal, így maga az adatbázis az e terület történetének utolsó fejezeteit jelenti. Másodszor, az adatbázisba évente hozzáadott dokumentumok csak egy részét képezik az e területen jelenleg végzett munkának. Azonban az arXiv kiváló forrást kínál a főbb kutatási trendek azonosítására és a különböző ideológiai táborok közötti háborús vívmányok megismerésére.

Gépi tanulási paradigma

A legnagyobb eltolódáskutatók, ez a tudásalapú rendszerektől való eltérés a 2000-es évek elejére. Az ilyen számítógépes rendszerek azon az elgondoláson alapulnak, hogy az emberiség minden tudását a szabályrendszerben kódolni lehet. Ehelyett a tudósok a gépi tanulásra fordultak, a szülői algoritmusok kategóriájára, amely mély tanulást is magában foglal.

Az említett 100 szó közül a rendszerekhez kapcsolódika tudás alapján a „logika”, a „korlátozások” és a „szabály” a leginkább csökkent. A gépi tanuláshoz kapcsolódóan - az "adatok", "hálózat", "teljesítmény" - többet nőtt, mint mások.

Az időjárás változásának oka nagyon egyszerű. Az 1980-as években a tudásalapú rendszerek egyre népszerűbbek voltak a rajongók körében, köszönhetően az olyan ambiciózus projektek iránti izgatottságnak, amelyek megpróbálták újjáépíteni a józan ész az autókban. De amikor ezek a projektek elindultak, a kutatók nagy problémával szembesültek: túl sok szabályt kellett kódolni, hogy a rendszer valami hasznosat tegyen. Ez megnövelte a költségeket és jelentősen lelassította a jelenlegi folyamatokat.

A válasz erre a problémára a gépi tanulás volt. Ahelyett, hogy megkövetelné, hogy az emberek manuálisan több százezer szabályt kódoljanak, ez a megközelítés programokat készít arra, hogy automatikusan kivonja ezeket a szabályokat egy halomból. Hasonlóképpen ez a terület elhagyta a tudásalapú rendszereket, és a gépi tanulás javítására fordult.

Neurális hálózati boom

Az új gépi tanulási paradigma részekénta mélyreható tanulásra való átállás nem történt azonnal. Ehelyett, amint azt a kulcsfontosságú fogalmak elemzése is mutatja, a tudósok a neurális hálózatokon kívül számos módszert teszteltek, amelyek a fő tanulási mechanizmusok. A népszerű módszerek közül többek között a Bayesi hálózatok, a támogató vektor gép és az evolúciós algoritmusok, amelyek mindegyike különböző módszereket alkalmaz az adatminták megtalálására.

Az 1990-es és 2000-es évek között ezek közötta folyamatok állandó versenyben voltak. Ezután, 2012-ben, egy kardinális áttörés újabb időjárási változást eredményezett. A számítógépes látás előrehaladásának felgyorsítására irányuló éves ImageNet versenyen egy Geoffrey Hinton nevű kutató és munkatársai a Torontói Egyetemen a legjobb képminőséget tapasztalták, 10% feletti hibával.

A mély tanulás technikájaúj kutatási hullámot hozott létre - először a vizualizátorok közösségében, majd azon túl. Ahogy egyre több tudós kezdte használni, hogy lenyűgöző eredményeket érjen el, ennek a technikának a népszerűsége és a neurális hálózatok népszerűsége drámaian megnőtt.

A megerősítő tanulás növekedése

Az elemzés kimutatta, hogy néhány évvel a mély tanulás után a harmadik és a végső elmozdulás volt az AI kutatásban.

A különböző gépi tanulási módszerek mellettHárom különböző típus létezik: felügyelt, ellenőrizetlen és megerősített. A felügyelt tanulást, amely magában foglalja a címkézett adatok táplálását a gépre, a leggyakrabban használják, és ma is a legpraktikusabb alkalmazásokat használják. Az elmúlt években azonban az erősítéssel végzett képzés, amely utánozza az állatok „sárgarépa és botok” tanításának folyamatát, a büntetések és jutalmak a művekben való hivatkozások gyors növekedését eredményezték.

Az ötlet maga nem új, de évtizedek óta nemEz működött. „A felügyelt tanulási szakemberek nevettek a megerősítő oktatóktól” - mondja Domingos. De mint a mély tanulásnál, az egyik fordulópont hirtelen elindította a módszert.

Ez a pillanat 2015 októberében jött létre, amikor a DeepMind AlphaGo megerősítette a világbajnokot az ősi játékban. A kutatási közösségre gyakorolt ​​hatás pillanatnyi volt.

Következő tíz év

Az MIT technológia felülvizsgálata csakA legfrissebb verseny az AI-kutatást jellemző ötletek között. Ugyanakkor szemlélteti az intelligencia megismétlésének vágyát. „Fontos megérteni, hogy senki sem tudja, hogyan oldja meg ezt a problémát” - mondja Domingos.

A használt módszerek közül sok25 év alatt körülbelül ugyanabban az időben jelent meg az 1950-es években, és nem tudott megfelelni az évtized kihívásainak és sikereinek. A neurális hálózatok például elérték a csúcsot a 60-as években és egy kicsit a 80-as években, de a mély tanulásnak köszönhetően szinte meghaltak a népszerűségük visszaállítása előtt.

Minden évtizedben, vagyis láttamás technológiák dominanciája: az 50-es és 60-as évek idegi hálózatai, a 70-es évek különböző szimbolikus kísérletei, a 80-as évek tudásalapú rendszerei, a bayesi hálózatok a 90-es években, a nulla és a neurális hálózatok támogatása 2010-ben. x.

A 2020-as évek nem fognak különbözni, mondjaDomingos. Így a mély tanulás kora hamarosan véget ér. De mi lesz ezután - a régi módszer az új dicsőségben, vagy egy teljesen új paradigma - ez a közösségben heves viták tárgya.

„Ha válaszol erre a kérdésre,” mondja Domingos, „Azt akarom szabadalmaztatni a választ.”

Ahhoz, hogy elkapja a mesterséges intelligencia hírét a faroknál, olvassa el Zenben.