tutkimus

Mitä tapahtuu tekoälyyn? Analyysi 16 625 teoksesta viimeisten 25 vuoden aikana

Lähes kaikki, mitä kuulet keinotekoisestaälykkyyttä on syvällä oppimisella. Tämä algoritmiluokka toimii tilastojen avulla, jotta löydettäisiin tietomalleja, ja se on osoittautunut äärimmäisen voimakkaaksi ihmisen taitojen jäljittelemisessä, kuten kykymme nähdä ja kuulla. Hyvin kapeasti se voi jopa jäljitellä kykyämme perustella. Nämä algoritmit tukevat Googlen hakua, Facebook-uutissyötettä, Netflix-suositusten moottoria ja myös sellaisia ​​toimialoja, kuten terveydenhuolto ja koulutus.

Kuinka kehittää syvää oppimista

Huolimatta siitä, että syvällinen oppiminen on käytännössäYksin, yleisön tekoäly paljastui, se edustaa vain pientä salamaa ihmiskunnan historiallisessa tehtävässä toistamaan oman älykkyytensä. Se on ollut tämän etsimisen eturintamassa alle kymmenen vuotta. Jos kuitenkin etäisyys koko tämän alueen historiasta, on helppo ymmärtää, että pian se voi myös lähteä.

”Jos vuonna 2011 joku kirjoitti syvänoppiminen tapahtuu sanomalehtien ja aikakauslehtien etusivulla muutamassa, olisimme: wow, hyvin, sinä poltat dope-sanomaa ”, sanoo Washingtonin yliopiston tietojenkäsittelytieteen professori Pedro Domingos ja Master Master Master -kirjan kirjoittaja.

Hänen mukaansa äkilliset nousut ja laskutAI: n alalla on jo pitkään ollut tutkittu erilaisia ​​menetelmiä. Joka vuosikymmen on eri ideoiden välinen kuuma kilpailu. Sitten, aika ajoin, kytkin napsauttaa ja koko yhteisö alkaa harjoittaa yhtä asiaa.

MIT Technology Reviewin kollegamme halusivatvisualisoida nämä matkat ja aloitukset. Tätä varten he kääntyivät yhdeksi suurimmista avoimen tieteellisen paperin tietokannoista, jotka tunnetaan nimellä arXiv. He lataivat otteita yhteensä 16 625 artikkelista, jotka olivat saatavilla "tekoäly" -osassa 18. marraskuuta 2018, ja seurasivat vuosien aikana mainittuja sanoja nähdäkseen, miten tämä alue kehittyi.

Analyysinsa ansiosta kolme tärkeintäsuuntaukset: siirtyminen koneopiskeluun 90-luvun lopulla - 2000-luvun alussa, hermoverkkojen kasvava suosio, joka alkoi alkuvuodesta 2010, ja vahvistusoppimisen kasvu viime vuosina.

Mutta ensin muutamia varauksia. Ensinnäkin, arXiv-osio, jossa on AI, on peräisin vuodelta 1993, ja termi "keinotekoinen äly" viittaa 1950-luvulle, joten tietokanta itse edustaa vain tämän alan historian viimeisiä lukuja. Toiseksi tietokantaan vuosittain lisätyt asiakirjat ovat vain osa tällä alalla tällä hetkellä tehtävää työtä. ArXiv tarjoaa kuitenkin erinomaisen resurssin eräiden tärkeimpien tutkimussuuntien tunnistamiseen ja erilaisten ideologisten leirien välisen sotaharjoituksen näkemiseen.

Koneen oppimisen paradigma

Suurin muutos löytyitutkijat, tämä on ero tietoon perustuvista järjestelmistä 2000-luvun alkuun. Tällaiset tietokonejärjestelmät perustuvat ajatukseen, että voit koodata kaikki ihmiskunnan tuntemukset sääntöjärjestelmässä. Sen sijaan tutkijat kääntyivät koneen oppimiseen - vanhempaan algoritmiluokkaan, joka sisältää syvällisen oppimisen.

Mainituista 100 sanasta kuuluvat järjestelmiintietämyksen perusteella - "logiikka", "rajoitukset" ja "sääntö" - laskivat eniten. Se liittyy koneen oppimiseen - "data", "verkko", "suorituskyky" - kasvoi enemmän kuin toiset.

Syy tähän muutokseen on hyvin yksinkertainen. 1980-luvulla tietoon perustuvat järjestelmät saivat suosion fanien keskuudessa kiitos kunnianhimoisista hankkeista, jotka yrittivät luoda tervettä järkeä autoissa. Mutta kun nämä projektit otettiin käyttöön, tutkijat joutuivat suuriin ongelmiin: liian monet säännöt oli koodattava, jotta järjestelmä voisi tehdä jotain hyödyllistä. Tämä johti kustannusten kasvuun ja hidasti merkittävästi nykyisiä prosesseja.

Vastaus tähän ongelmaan oli koneoppiminen. Sen sijaan, että ihmiset velvoittaisivat koodaamaan satojatuhansia sääntöjä manuaalisesti, tämä lähestyy ohjelmia, joiden avulla nämä säännöt poistetaan automaattisesti tietokannasta. Samoin tämä alue on luopunut tietoon perustuvista järjestelmistä ja kääntynyt koneen oppimisen parantamiseen.

Neuraaliverkon puomi

Osana uutta koneen oppimisparadigmaasiirtyminen syvään oppimiseen ei tapahtunut välittömästi. Sen sijaan, kuten keskeisten termien analyysi osoittaa, tiedemiehet ovat testanneet monia menetelmiä hermoverkkojen lisäksi, jotka ovat tärkeimmät mekanismit syvälle oppimiselle. Muita suosittuja menetelmiä olivat Bayes-verkot, tukivektorikone ja evoluutioalgoritmit, jotka kaikki käyttävät erilaisia ​​lähestymistapoja datakuvioiden etsimiseen.

1990-luvulla ja 2000-luvulla näiden välilläkilpailua. Sitten vuonna 2012 johtava läpimurto johti toiseen säämuutokseen. Vuosittaisen ImageNet-kilpailun aikana, jonka tarkoituksena oli nopeuttaa tietokonenäkökulmaa, tutkija Geoffrey Hinton ja hänen kollegansa Toronton yliopistossa saavuttivat parhaan tarkkuuden kuvantunnistuksessa, jonka virhe oli hieman yli 10%.

Hänen syvällisen oppimisen tekniikkakäytettiin, synnytti uuden tutkimuksen aallon - ensin visualisoijien yhteisössä ja sitten sen jälkeen. Kun yhä useammat tutkijat alkoivat käyttää sitä vaikuttavien tulosten saavuttamiseksi, tämän tekniikan suosio sekä hermoverkkojen suosio ovat kasvaneet dramaattisesti.

Vahvistuksen oppimisen kasvu

Analyysi osoitti, että muutama vuosi syväoppimisen kukoistamisen jälkeen AI-tutkimuksessa tapahtui kolmas ja viimeinen muutos.

Erilaisten koneen oppimismenetelmien lisäksiOn kolme erilaista tyyppiä: valvottu, hallitsematon ja vahvistettu. Useimmiten käytetään valvottua oppimista, joka sisältää leimattujen tietojen syöttämisen koneelle, ja sillä on myös käytännön sovelluksia. Viime vuosina koulutus, jossa on vahvistuksia, jotka jäljittelevät eläinten opetusta "porkkanoiden ja sauvojen" kautta, rangaistus ja palkkiot ovat johtaneet siihen, että teoksissa on viittauksia siihen nopeasti.

Itse ajatus ei ole uusi, mutta monta vuosikymmentä se ei ole ollutSe toimi. ”Valvotun oppimisen asiantuntijat naurivat vahvistusvalmentajilla”, sanoo Domingos. Mutta kuten syvässä oppimisessa, yksi käännekohta toi yhtäkkiä menetelmän esille.

Tämä hetki tuli lokakuussa 2015, kun DeepMind AlphaGo, joka oli koulutettu vahvistuksilla, voitti maailmanmestarin muinaisessa pelipelissä. Vaikutus tutkimusyhteisöön oli hetkellinen.

Seuraavat kymmenen vuotta

Analyysi MIT Technology Review tarjoaa vainUusin kilpailu AI-tutkimusta kuvaavien ideoiden joukossa. Hän kuitenkin havainnollistaa älykkyyden päällekkäisyyden halua. ”On tärkeää ymmärtää, että kukaan ei osaa ratkaista tätä ongelmaa”, sanoo Domingos.

Monet käytetyistä menetelmistä25 vuoden aikana ne ilmestyivät samaan aikaan 1950-luvulla, eivätkä ne voineet vastata vuosikymmenen haasteisiin ja menestyksiin. Neuraaliset verkot saavuttivat esimerkiksi huippunsa 60-luvulla ja hieman 80-luvulla, mutta melkein kuoli ennen suosionsa palautumista syvällisen oppimisen ansiosta.

Joka vuosi, toisin sanoen, näkimuiden teknologioiden määräävä asema: hermoverkot 50-luvun lopulla ja 60-luvulla, erilaiset symboliset yritykset 70-luvulla, 80-luvun tietopohjaiset järjestelmät, Bayes-verkot 90-luvulla, vertailu-vektorit nolla- ja hermoverkoissa jälleen vuonna 2010- x.

2020-luvut eivät ole erilaisia, sanooDomingos. Siten syvällisen oppimisen aikakausi voi loppua pian. Mutta mitä seuraavaksi tapahtuu - vanha tekniikka uudessa kunniassa tai täysin uusi paradigma - tämä on yhteisössä kovien kiistojen aihe.

"Jos vastaat tähän kysymykseen," sanoo Domingos, "Haluan patentoida vastauksen."

Jos haluat saada uunin keinotekoisesta älykkyydestä, lukekaa meidät Zeniin.

Facebook -ilmoitus EU: lle! Sinun täytyy kirjautua sisään nähdäksesi ja julkaistaksesi FB -kommentteja!