onderzoek

Wat gebeurt er met kunstmatige intelligentie? Analyse van 16 625 werken van de afgelopen 25 jaar

Bijna alles wat je hoort over kunstmatigintelligentie vandaag, is te danken aan diepgaand leren. Deze categorie algoritmen werkt met statistieken om patronen in gegevens te vinden, en is buitengewoon krachtig gebleken in het imiteren van menselijke vaardigheden, zoals ons vermogen om te zien en te horen. In zeer beperkte mate kan het zelfs ons vermogen tot redeneren imiteren. Deze algoritmen ondersteunen de zoekfunctie van Google, Facebook-nieuwsfeed, Netflix-aanbevelingsengine en vormen ook industrieën zoals gezondheidszorg en onderwijs.

Hoe diepgaand leren te ontwikkelen

Ondanks het feit dat diepgaand leren praktisch isAlleen, de kunstmatige intelligentie van het publiek werd geopenbaard, het vertegenwoordigt slechts een kleine flits in de historische taak van de mensheid om zijn eigen intelligentie te reproduceren. Het heeft in de voorhoede van deze zoektocht naar minder dan een decennium gestaan. Als je echter de hele geschiedenis van dit gebied wilt afleggen, is het gemakkelijk te begrijpen dat het binnenkort ook kan vertrekken.

"Als iemand in 2011 zo diep schreefleren zal op de voorpagina's van kranten en tijdschriften zijn in een paar, we zouden zo zijn: wauw, nou, je rookt verdovend, "zegt Pedro Domingos, een professor in computerwetenschappen aan de Universiteit van Washington en de auteur van het boek gorith The Master Algorithm '.

Volgens hem plotselinge ups en downsverschillende methoden worden al lang gekenmerkt door onderzoek op het gebied van AI. Elk decennium is er een heuse competitie tussen verschillende ideeën. Dan klikt de schakelaar van tijd tot tijd en begint de hele gemeenschap één ding te doen.

Onze collega's van MIT Technology Review wildenvisualiseer deze trips en starts. Daartoe wendden ze zich tot een van de grootste databases van open wetenschappelijke artikelen, bekend als arXiv. Ze hebben fragmenten gedownload uit een totaal van 16.625 artikelen die beschikbaar zijn in de sectie 'kunstmatige intelligentie' op 18 november 2018 en hebben de woorden die in de loop van de jaren zijn genoemd bijgehouden om te zien hoe dit gebied zich ontwikkelde.

Dankzij hun analyse, drie belangrijketrends: een verschuiving naar machine learning in de late jaren 90 - begin 2000, de groeiende populariteit van neurale netwerken die begon in de vroege jaren 2010, en de groei van het versterkingsleren in de laatste paar jaar.

Maar eerst een paar reserveringen. Ten eerste dateert de arXiv-sectie met AI uit 1993 en verwijst de term 'kunstmatige intelligentie' naar de jaren 1950, dus de database zelf vertegenwoordigt alleen de laatste hoofdstukken in de geschiedenis van dit veld. Ten tweede vormen de documenten die elk jaar aan de database worden toegevoegd slechts een deel van het werk dat momenteel op dit gebied wordt verricht. ArXiv biedt echter een uitstekende bron voor het identificeren van enkele van de belangrijkste onderzoekstrends en om de touwtrekken tussen verschillende ideologische kampen te zien.

Machine learning paradigma

De grootste verschuiving die is gevondenonderzoekers, dit is een afwijking van op kennis gebaseerde systemen in de vroege jaren 2000. Dergelijke computersystemen zijn gebaseerd op het idee dat het mogelijk is om alle kennis van de mensheid in het systeem van regels te coderen. In plaats daarvan wendden wetenschappers zich tot machine learning, de oudercategorie van algoritmen met diep leren.

Onder de 100 genoemde woorden hebben betrekking op systemenop basis van kennis - "logica", "beperkingen" en "regel" - het meest afgenomen. En geassocieerd met machine learning - "data", "netwerk", "performance" - groeide meer dan andere.

De reden voor deze verandering van het weer is heel eenvoudig. In de jaren tachtig werden op kennis gebaseerde systemen populair bij fans, dankzij de opwinding rond ambitieuze projecten die probeerden om gezond verstand in auto's na te bootsen. Maar toen deze projecten werden gelanceerd, stonden de onderzoekers voor een groot probleem: er moesten te veel regels worden gecodeerd zodat het systeem iets nuttigs kon doen. Dit leidde tot hogere kosten en vertraagde de huidige processen aanzienlijk.

Het antwoord op dit probleem was machinaal leren. In plaats van dat mensen handmatig honderdduizenden regels moeten coderen, programmeert deze methode de machines om automatisch deze regels uit een stapel gegevens te halen. Evenzo heeft dit gebied kennis-gebaseerde systemen verlaten en is het gericht op het verbeteren van het machine-leren.

Neurale netwerkboom

Als onderdeel van het nieuwe machine learning paradigmaovergang naar diep leren kwam niet meteen voor. In plaats daarvan hebben wetenschappers, zoals blijkt uit de analyse van sleutelbegrippen, naast de neurale netwerken, de belangrijkste mechanismen voor diep leren getest. Onder andere populaire methoden waren Bayesiaanse netwerken, de ondersteuningsvectormachine en evolutionaire algoritmen, die allemaal verschillende benaderingen gebruiken om patronen in de gegevens te vinden.

Tijdens de jaren 1990 en 2000 tussen dezemethoden was er een gestage concurrentie. Toen, in 2012, zorgde een doorbraak voor een nieuwe verandering in het weer. Tijdens een jaarlijkse ImageNet-wedstrijd, ontworpen om de voortgang van het computervisieproces te versnellen, behaalden een onderzoeker genaamd Geoffrey Hinton en zijn collega's van de Universiteit van Toronto de beste nauwkeurigheid bij beeldherkenning met een fout van iets meer dan 10%.

Techniek van diep leren hijgebruikt, genereerde een nieuwe golf van onderzoek - eerst in de gemeenschap van visualizers en daarna. Naarmate meer en meer wetenschappers het begonnen te gebruiken om indrukwekkende resultaten te bereiken, is de populariteit van deze techniek, samen met de populariteit van neurale netwerken, dramatisch toegenomen.

Groei van leerversterking

De analyse toonde aan dat een paar jaar na de hoogtijdagen van deep learning, er een derde en laatste verschuiving in AI-onderzoek was.

Naast verschillende methoden voor het leren van machines,Er zijn drie verschillende typen: bewaakt, ongecontroleerd en versterkt. Begeleid leren, waarbij de geëtiketteerde gegevens naar de machine worden gevoerd, wordt het meest gebruikt en heeft tegenwoordig de meest praktische toepassingen. In de afgelopen paar jaar heeft training met versterkingen die het proces van het onderwijzen van dieren door middel van "wortels en stokken", straffen en beloningen nabootst, geleid tot een snelle toename van verwijzingen ernaar in de werken.

Het idee zelf is niet nieuw, maar al vele decennia nietHet werkte. "Begeleide lespecialisten lachten om versterkende trainers", zegt Domingos. Maar net als bij diep leren bracht een keerpunt de methode op de voorgrond.

Dit moment kwam in oktober 2015, toen DeepMind AlphaGo, opgeleid met versterkingen, de wereldkampioen versloeg in het oude go-spel. De impact op de onderzoeksgemeenschap was onmiddellijk.

Volgende tien jaar

MIT Technology Review biedt alleenDe nieuwste cast van concurrentie tussen de ideeën die KI-onderzoek kenmerken. Hij illustreert echter de onstandvastigheid van de wens om intelligentie te dupliceren. "Het is belangrijk om te begrijpen dat niemand weet hoe dit probleem op te lossen", zegt Domingos.

Veel van de methoden die werden gebruikt opin de loop van 25 jaar verscheen op ongeveer dezelfde tijd in de jaren 1950, en niet aan de uitdagingen en de successen van elk decennium te voldoen. Neurale netwerken bereikten hun hoogtepunt in de jaren 60 en een beetje in de jaren 80, maar stierven bijna voordat ze hun populariteit herwonnen dankzij diepgaand leren.

Elk jaar, met andere woorden, zagde dominantie van andere technologie: neurale netwerken in de late jaren '50 en '60, verschillende symbolische pogingen in de jaren '70, op kennis gebaseerde systemen in de jaren 80, Bayesiaanse netwerken in de jaren 90, ondersteunen vectoren in nul en neurale netwerken opnieuw in 2010- x.

De 2020s zullen niet anders zijn, zegtDomingos. Dus het tijdperk van diepgaand leren kan binnenkort eindigen. Maar wat er daarna zal gebeuren - de oude methode in de nieuwe glorie of een geheel nieuw paradigma - dit is het onderwerp van hevige discussies in de gemeenschap.

"Als je deze vraag beantwoordt," zegt Domingos, "wil ik het antwoord patenteren."

Om het nieuws van kunstmatige intelligentie bij de staart te horen, lees ons in Zen.