Yann lecun razpravlja o moči, mejah globokega učenja

Na delavnici o AI in prihodnosti dela v začetku tega meseca je Yann LeCun, direktor raziskav AI na Facebooku in ustanovni direktor Centra za znanost podatkov NYU, govoril o "moči in mejah globokega učenja." LeCun, ki je bil pionir konvolucijskih nevronskih mrež, ki so v središču številnih zadnjih napredkov AI, je bil navdušen nad napredkom, ki ga je dosegel v zadnjih letih, in realističen glede tega, kaj takšni sistemi lahko in česa ne morejo storiti.

LeCun je dejal več valov, je dejal LeCun in opozoril, da je sedanji val usmerjen v poglobljeno učenje, vendar je "zaznavanje" največji primer, kot so medicinsko slikanje in samovozi avtomobili. Skoraj vse te aplikacije uporabljajo nadzorovano učenje in večina uporablja konvolucijsko nevronske mreže, ki jih je LeCun prvič opisal leta 1989 in so bile prvič uporabljene za prepoznavanje znakov v bankomatih leta 1995. LeCun je dejal, da je patent na takih omrežjih potekel leta 2007.

Zaradi velikih naborov podatkov z velikimi vzorčnimi velikostmi in izrednega povečanja računalniške moči (ki ji pomaga Geoffrey Hinton pri iskanju uporabe GPU-jev za prepoznavanje slike) so se v zadnjih letih najbolj spremenile. Tudi za LeCun je bil napredek v prepoznavanju slike "nič manj osupljiv." Čeprav dojemanje "resnično deluje", je tisto, kar še vedno manjka, sklepanje.

LeCun je govoril o treh različnih pristopih in omejitvah vsakega od njih. Za učenje okrepitve je potrebno ogromno vzorcev. Odličen je za igre, saj sistem lahko izvede milijonske preizkušnje in postaja vse boljši in boljši, vendar ga je v resničnem svetu težko uporabljati, saj na primer ne želite avtomobila peljati s pečine, in realni čas je dejavnik v resničnem svetu.

Nadzorovano učenje, ki je večina tega, kar vidimo zdaj, zahteva srednje veliko povratnih informacij in deluje dobro. Vendar pa ima pod nadzorom strojno učenje nekaj težav. LeCun je dejal, da takšni sistemi odražajo pristranskost podatkov, čeprav je prepričan, da je optimističen, da je to težavo mogoče premagati, in meni, da je lažje odstraniti pristranskost iz strojev v primerjavi z ljudmi. Vendar je težko preveriti takšne sisteme za zanesljivost in težko je razložiti odločitve, sprejete na podlagi izidov takšnih sistemov, LeCun pa je kot primer tega govoril o prošnjah za posojila.

Nenadzorovano ali napovedno učenje, ki ga trenutno preučujemo za stvari, kot je na primer napovedovanje prihodnjih kadrov v videoposnetku, zahteva veliko povratnih informacij. Nenadzorovano učenje vključuje napovedovanje preteklosti, sedanjosti ali prihodnosti glede na informacije, ki so na voljo, ali z drugimi besedami, zmožnost zapolnjevanja praznin, za kar je LeCun dejal, da je učinkovito tisto, čemur rečemo zdrav razum. Opozoril je, da to lahko storijo dojenčki, vendar je bilo to dobiti strojev zelo težko, in spregovoril o tem, kako raziskovalci delajo na tehnikah, kot so generalna nasprotna omrežja (GAN), za napovedi v negotovih razmerah. Še zdaleč ne bomo imeli celovite rešitve, je dejal.

LeCun je govoril o treh vrstah učenja kot o delih torte: okrepitveno učenje je češnja na vrhu, nadzorovano učenje zaledenitve in prediktivno učenje je glavni del pogače.

LeCun je napovedoval, da bo AI spremenil, kako se stvari cenijo, saj bodo roboti, ki jih gradijo roboti, stali manj, avtentične človeške izkušnje pa stanejo več, in dejal, da to lahko pomeni, da za jazzovske glasbenike in obrtnike obstaja svetla prihodnost."

LeCun je na splošno dejal, da je AI tehnologija splošne namene (GPT), kot so parni stroj, elektrika ali računalnik. Kot tak bo vplival na številna področja gospodarstva, vendar bo minilo 10 ali 20 let, preden bomo videli učinek na produktivnost. LeCun je dejal, da bo AI pripeljal do zamenjave delovnih mest, vendar je poudaril, da je uvajanje tehnologije omejeno s tem, kako hitro se lahko delavci usposobijo za to.

Kar zadeva "resnično revolucijo AI", je LeCun dejal, da se to ne bo zgodilo, dokler stroji ne bodo pridobili zdrave pameti, in določitev načel za gradnjo tega lahko traja dve, pet, dvajset ali več let; poleg tega bodo trajala leta, da se razvije praktična AI tehnologija, ki temelji na teh načelih. Navsezadnje je trajalo dvajset let, da so se konvolucijske mreže postale pomembne. In vse to temelji na predpostavki, da so načela preprosta; postane veliko bolj zapleteno, če je "inteligenca slep."