4 Razlogi, da se globokega učenja še ne bojte | ben dickson

Leta 2012 je skupina znanstvenikov z univerze v Torontu naredila preboj v klasifikaciji slike.

Na ImageNet-u, letnem tekmovanju z umetno inteligenco (AI), na katerem so tekmovalci videli, da bi ustvarili najbolj natančen algoritem za razvrščanje slik, je ekipa iz Toronta predstavila AlexNet, "ki je to polje premagal z vrtoglavih 10, 8 odstotne točke… 41 odstotkov bolje kot naslednji najboljši, "pravi Quartz.

Globoko učenje, ki ga je uporabila skupina, je korenito izboljšalo prejšnje pristope k AI in pripeljalo novo obdobje inovacij. Odtlej je našel svojo pot v izobraževanju, zdravstvu, kibernetski varnosti, družabnih igrah in prevajanju ter zbral več milijard dolarjev za naložbe v Silicijevi dolini.

Mnogi so pohvalili globoko učenje in njegov nabor, strojno učenje, kot splošno uporabno tehnologijo naše dobe in bolj globoko od elektrike in ognja. Drugi pa opozarjajo, da bo globoko učenje sčasoma najboljše pri vsaki nalogi in postalo največji ubijalec zaposlitve. In eksplozija aplikacij in storitev, ki jih poganja poglobljeno učenje, je znova ustvarila strah pred AI apokalipso, v kateri super inteligentni računalniki osvojijo planet in ljudi poženejo v suženjstvo ali izumrtje.

Kljub hype-u pa ima globoko učenje nekaj pomanjkljivosti, ki mu lahko preprečijo, da bi uresničil nekatere svoje obljube - pozitivne in negativne.

Globoko učenje se preveč zanaša na podatke

Globoko učenje in globoke nevronske mreže, ki sestavljajo njegovo osnovno strukturo, se pogosto primerjajo s človeškimi možgani. Toda naš um se lahko nauči konceptov in sprejema odločitve z zelo malo podatkov; globoko učenje zahteva na tone vzorcev za opravljanje najpreprostejše naloge.

V svojem bistvu je globoko učenje kompleksna tehnika, ki preslikava vnose v izhode z iskanjem skupnih vzorcev v označenih podatkih in uporabo znanja za kategorizacijo drugih vzorcev podatkov. Na primer, aplikaciji za globoko učenje dovolj slik mačk in ta bo lahko zaznala, ali fotografija vsebuje mačko. Prav tako, ko algoritem globokega učenja zaužije dovolj zvočnih vzorcev različnih besed in stavkov, lahko prepozna in prepisuje govor.

Toda ta pristop je učinkovit le, če imate na voljo veliko kakovostnih podatkov za napajanje svojih algoritmov. V nasprotnem primeru algoritmi za globoko učenje lahko naredijo divje napake (kot je napaka puške za helikopter). Kadar njihovi podatki niso vključujoči in raznoliki, algoritmi globokega učenja kažejo celo rasistično in seksistično vedenje.

Zanašanje na podatke povzroča tudi težave s centralizacijo. Ker imajo dostop do ogromne količine podatkov, sta podjetji, kot sta Google in Amazon, v boljšem položaju za razvoj visoko učinkovitih aplikacij za globoko učenje od startupov z manj sredstvi. Centraliziranje AI v nekaj podjetjih bi lahko oviralo inovacije in tem podjetjem preveč naklonilo uporabnike.

Globoko učenje ni prilagodljivo

Ljudje se lahko naučijo abstraktnih konceptov in jih uporabijo v različnih situacijah. To počnemo ves čas. Na primer, ko prvič igrate računalniško igro, kot je Mario Bros., lahko takoj uporabite znanje iz resničnega sveta - na primer potrebo po skoku čez jame ali izmicanju ognjenih žog. Pozneje lahko svoje znanje igre uporabite tudi za druge Mariove različice, na primer Super Mario Odyssey, ali druge igre s podobno mehaniko, kot sta Donkey Kong Country in Crash Bandicoot.

AI aplikacije pa se morajo vsega naučiti iz nič. Pogled na to, kako se algoritem globokega učenja nauči igrati Mario, pokaže, kako drugačen je AI učni proces od človeškega. V bistvu začne ničesar vedeti o svojem okolju in se postopoma nauči interakcije z različnimi elementi. Toda znanje, ki ga pridobi z igranjem Mario, služi samo ozki domeni te posamezne igre in ni prenosljivo na druge igre, niti na druge igre Mario.

Zaradi pomanjkanja konceptualnega in abstraktnega razumevanja se aplikacije globokega učenja osredotočajo na omejene naloge in preprečujejo razvoj splošne umetne inteligence, takšne AI, ki lahko sprejema intelektualne odločitve, kot ljudje. To ni nujno slabost; nekateri strokovnjaki trdijo, da je ustvarjanje splošnega AI nesmiseln cilj. Je pa zagotovo omejitev v primerjavi s človeškimi možgani.

Globoko učenje je preprosto

Za razliko od tradicionalne programske opreme, za katero programerji določajo pravila, aplikacije za poglobljeno učenje ustvarjajo svoja pravila s pomočjo obdelave in analize testnih podatkov. Posledično nihče v resnici ne ve, kako dosegajo sklepe in odločitve. Celo razvijalci algoritmov za globoko učenje se pogosto zmedejo nad rezultati svojih kreacij.

To pomanjkanje preglednosti bi lahko bila glavna ovira za AI in poglobljeno učenje, saj tehnologija poskuša najti svoje mesto na občutljivih področjih, kot so zdravljenje pacientov, kazensko pregon in osebna vožnja z avtomobili. Algoritmi za poglobljeno učenje so morda manj nagnjeni k temu, da delajo napake kot ljudje, toda ko delajo napake, bi morali biti razlogi za te napake razložljivi. Če ne razumemo, kako delujejo naše AI aplikacije, jim ne bomo mogli zaupati kritičnih nalog.

Globoko učenje bi se lahko prekrivalo

Globoko učenje se je na mnogih področjih že izkazalo za vredno in bo še naprej spreminjalo način, kako počnemo stvari. Kljub pomanjkljivostim in omejitvam nas globoko učenje ni izneverilo. Toda pričakovanja moramo prilagoditi.

Kot opozarja znanstvenik AI Gary Marcus, bi lahko previsoka tehnologija povzročila novo "AI zimo" - obdobje, ko previsoka pričakovanja in slabša uspešnost vodijo v splošno razočaranje in pomanjkanje zanimanja.

Marcus predlaga, da poglobljeno učenje ni "univerzalno topilo, ampak eno izmed orodij med mnogimi", kar pomeni, da bomo morali še naprej raziskovati možnosti, ki jih ponuja globoko učenje, in na druge, bistveno drugačne pristope k ustvarjanju aplikacij AI.

Tudi profesor Geoffrey Hinton, ki je vodil delo, ki je privedlo do revolucije globokega učenja, verjame, da bo verjetno treba izumiti povsem nove metode. "Prihodnost je odvisna od diplomiranega študenta, ki je globoko sumljiv do vsega, kar sem rekel, " je dejal za Axios.