Kaj je strojno učenje?

Decembra 2017 je DeepMind, raziskovalni laboratorij, ki ga je Google pridobil leta 2014, predstavil AlphaZero, program umetne inteligence, ki bi lahko na več družabnih igrah premagal svetovne prvake.

Zanimivo je, da je AlphaZero od ljudi prejel nič navodil, kako igrati igre (od tod tudi ime). Namesto tega je uporabil strojno učenje, vejo AI, ki razvija svoje vedenje skozi izkušnje namesto izrecnih ukazov.

V 24 urah je AlphaZero dosegel nadčloveške predstave v šahu in premagal prejšnji šahovski program svetovnih prvakov. Kmalu zatem je algoritem strojnega učenja AlphaZero obvladal tudi Shogi (japonski šah) in kitajsko družabno igro Go, premagal pa je svojega predhodnika, AlphaGo, 100 na nič.

Strojno učenje je postalo priljubljeno v zadnjih letih in pomaga računalnikom reševati težave, za katere se je prej mislilo, da so izključno področje človeške inteligence. In čeprav je še vedno daleč od prvotne vizije umetne inteligence, nas je strojno učenje precej približalo končnemu cilju ustvarjanja miselnih strojev.

Kakšna je razlika med umetno inteligenco in strojnim učenjem?

Tradicionalni pristopi k razvoju umetne inteligence vključujejo natančno kodiranje vseh pravil in znanj, ki opredeljujejo vedenje povzročitelja AI. Pri ustvarjanju AI na podlagi pravil morajo razvijalci napisati navodila, ki določajo, kako naj se AI obnaša v odgovor na vsako možno situacijo. Ta pristop, ki temelji na pravilih, znan tudi kot dobri staromodni AI (GOFAI) ali simbolični AI, poskuša oponašati miselnost človeškega uma in funkcije predstavitve znanja.

Popoln primer simbolične AI je Stockfish, vrhunski, odprtokodni šah, ki je več kot 10 let v izdelavi. Na stotine programerjev in šahistov je prispevalo k Stockfishu in pomagalo razviti njegovo logiko s kodiranjem njegovih pravil - na primer, kaj naj naredi AI, ko nasprotnik premakne viteza z B1 na C3.

Toda AI, ki temelji na pravilih, se pogosto zlomi, ko obravnavamo situacije, ko so pravila preveč zapletena in implicitna. Na primer prepoznavanje govora in predmetov v slikah so napredne operacije, ki jih ni mogoče izraziti v logičnih pravilih.

V nasprotju s simboličnim AI se modeli strojnega učenja AI razvijajo ne s pisanjem pravil, ampak z zbiranjem primerov. Na primer, za izdelavo šahovskega motorja, ki temelji na strojnem učenju, razvijalec ustvari osnovni algoritem in ga nato "trenira" s podatki iz tisočih prej igranih šahovskih iger. Z analizo podatkov najde AI skupne vzorce, ki definirajo zmagovalne strategije, ki jih lahko uporabi za premagovanje resničnih nasprotnikov.

Več igric AI pregleduje, boljši postane pri napovedovanju zmagovalnih potez med igro. Zato je strojno učenje opredeljeno kot program, katerega delovanje se izboljša z izkušnjami.

Strojno učenje je uporabno za številne naloge v resničnem svetu, vključno s klasifikacijo slik, prepoznavanjem glasu, priporočilom o vsebini, odkrivanjem goljufij in obdelavo naravnega jezika.

Nadzorovano in nenadzorovano učenje

Razvijalci glede na težavo, ki jo želijo rešiti, pripravijo ustrezne podatke za izdelavo svojega modela strojnega učenja. Na primer, če bi želeli uporabiti strojno učenje za odkrivanje goljufivih bančnih transakcij, bi razvijalci sestavili seznam obstoječih transakcij in jih označili z njihovim izidom (goljufivim ali veljavnim). Ko podatke hranijo z algoritmom, loči goljufive in veljavne transakcije in najde skupne značilnosti v vsakem od obeh razredov. Proces usposabljanja z označenimi podatki se imenuje "nadzorovano učenje" in je trenutno prevladujoča oblika strojnega učenja.

Veliko spletnih skladišč z označenimi podatki za različne naloge že obstaja. Nekateri priljubljeni primeri so ImageNet, odprtokodni nabor podatkov z več kot 14 milijonov slik z oznako, in MNIST, nabor podatkov s 60.000 ročno napisanih številk. Razvijalci strojnega učenja uporabljajo tudi platforme, kot je Amazon's Mechanical Turk, spletno najemno središče na zahtevo, za izvajanje kognitivnih nalog, kot so označevanje slik in zvočnih vzorcev. In rastoči sektor startupov je specializiran za zapisovanje podatkov.

Niso pa za vse težave potrebne označeni podatki. Nekatere težave s strojnim učenjem je mogoče rešiti s pomočjo "nenadzorovanega učenja", kjer modelu AI priskrbite surove podatke in pustite, da sam ugotovi, kateri vzorci so ustrezni.

Pogosta uporaba nenadzorovanega učenja je odkrivanje nepravilnosti. Na primer, algoritem strojnega učenja lahko trenira na surovih podatkih o omrežnem prometu internetno povezane naprave, recimo pametnega hladilnika. Po treningu AI vzpostavi osnovno črto za napravo in lahko označi zunanje vedenje. Če se naprava okuži z zlonamerno programsko opremo in začne komunicirati z zlonamernimi strežniki, jo bo model strojnega učenja lahko zaznal, saj je omrežni promet drugačen od običajnega vedenja, ki ga opazimo med treningom.

Okrepitveno učenje

Do zdaj verjetno veste, da kakovostni podatki o usposabljanju igrajo veliko vlogo pri učinkovitosti modelov strojnega učenja. Toda okrepljeno učenje je specializirana vrsta strojnega učenja, pri katerem AI razvija svoje vedenje brez uporabe predhodnih podatkov.

Okrepitveni modeli za učenje se začnejo s čisto skrilavcem. Poučeni so le o osnovnih pravilih okolja in o tej nalogi. S preizkušanjem in napakami se naučijo optimizirati svoja dejanja za svoje cilje.

AlphaZero DeepMind-a je zanimiv primer učbenega učenja. V nasprotju z drugimi modeli strojnega učenja, ki morajo videti, kako ljudje igrajo šah in se iz njih učijo, je AlphaZero začel vedeti le premike kosov in pogoje zmage v igri. Po tem je odigrala na milijone tekem proti sebi, začenši z naključnimi dejanji in postopoma razvijajo vedenjske vzorce.

Okrepitveno učenje je vroče področje raziskav. To je glavna tehnologija, ki se uporablja za razvoj modelov AI, ki lahko obvladajo kompleksne igre, kot sta Dota 2 in StarCraft 2, uporablja pa se tudi za reševanje težav iz resničnega življenja, kot sta upravljanje virov podatkovnega centra in ustvarjanje robotskih rok, s katerimi lahko rokujete s človeško podobnostjo..

Globoko učenje

Globoko učenje je še ena priljubljena podskupina strojnega učenja. Uporablja umetna nevronska omrežja, programske konstrukcije, ki jih v grobem navdihuje biološka zgradba človeških možganov.

Nevronske mreže so odlične pri obdelavi nestrukturiranih podatkov, kot so slike, video, zvok in dolgi odlomki besedila, kot so članki in raziskovalni prispevki. Pred poglobljenim učenjem so morali strokovnjaki za strojno učenje vložiti veliko truda v pridobivanje funkcij iz slik in videoposnetkov in nad tem izvajali svoje algoritme. Nevronske mreže samodejno zaznajo te lastnosti, ne da bi za to potrebovali veliko truda.

Globoko učenje je v ozadju številnih sodobnih AI tehnologij, kot so avtomobili brez voznikov, napredni prevajalski sistemi in tehnologija za prepoznavanje obraza v vašem iPhone X.

Meje strojnega učenja

Ljudje strojno učenje zamenjujejo z umetno inteligenco na ravni ljudi, marketinški oddelki nekaterih podjetij pa namerno uporabljajo izraze. Toda čeprav je strojno učenje močno napredovalo pri reševanju zapletenih problemov, je še vedno zelo daleč od ustvarjanja miselnih strojev, ki jih predvidevajo pionirji AI.

Poleg učenja iz izkušenj resnična inteligenca zahteva sklepanje, zdrav razum in abstraktno razmišljanje - področja, na katerih modeli strojnega učenja delujejo zelo slabo.

Na primer, medtem ko je strojno učenje dobro pri zapletenih nalogah prepoznavanja vzorcev, kot je napovedovanje raka dojk pet let vnaprej, se bori s preprostejšimi nalogami logike in sklepanja, kot je reševanje matematičnih problemov srednje šole.

Ker strojno učenje nima moči razmišljanja, je slabo pri posploševanju svojega znanja. Na primer, sredstvo za strojno učenje, ki lahko igra Super Mario 3 kot profesionalca, ne bo prevladovalo v drugi igri na platformi, kot je Mega Man, ali celo v drugi različici Super Mario. Treba bi ga bilo izučiti iz nič.

Brez moči za pridobivanje konceptualnega znanja iz izkušenj, modeli strojnega učenja potrebujejo na tone podatkov o usposabljanju. Na žalost na mnogih področjih ni dovolj podatkov o usposabljanju ali nimajo sredstev za pridobitev več. Globoko učenje, ki je danes razširjena oblika strojnega učenja, trpi tudi zaradi težave z razložljivostjo: Nevronske mreže delujejo na zapletene načine in celo njihovi ustvarjalci si prizadevajo slediti svojim postopkom odločanja. To otežuje uporabo moči nevronskih omrežij v nastavitvah, kjer je zakonska zahteva za razlago odločitev o AI.

Na srečo si prizadevajo za preseganje omejitev strojnega učenja. Eden odmevnih primerov je široka pobuda DARPA, raziskovalne enote Ministrstva za obrambo, da se ustvarijo razložljivi modeli AI.

• Kaj je umetna inteligenca (AI)? Kaj je umetna inteligenca (AI)?
• Večina AI dolarjev gre za strojno učenje Večina AI dolarjev gre za strojno učenje
• Kako želite videti AI? Kako želite videti AI?

Drugi projekti so namenjeni zmanjšanju prevelikega zanašanja strojnega učenja na označene podatke in tehnologiji dostopno za področja z omejenimi podatki o usposabljanju. Raziskovalci na IBM-u in MIT-u so nedavno na tem področju vstopili z združevanjem simboličnega AI-ja z nevronskimi omrežji. Hibridni modeli AI zahtevajo manj podatkov za usposabljanje in lahko dajejo podrobna pojasnila svojih odločitev.

Ali bo evolucija strojnega učenja sčasoma pomagala doseči vedno neučinkovit cilj ustvarjanja AI na človeški ravni, še ni treba videti. Toda to, kar zagotovo vemo, je, da so naprave, ki sedijo za mizami in počivajo v žepih, po zaslugi napredka strojnega učenja iz dneva v dan bolj pametne.