Lontoossa viime kuussa pidetyssä syvän koneoppimisen konferenssissa toistettiin useita aiheita: tärkeys ymmärtää, mitä todella teemme. Vaikka Googlen kaltaiset yritykset väittävät edelleen, että elämme kaikki "AI: n ensimmäisellä vuosisadalla", kun koneoppiminen on vasta alkamassa löytää uusia toiminta-aloja (kuten puhetta ja kuvan tunnistamista), tosiasiallisesti seisovat pyrkii korostamaan AI-tutkimuksen eturintamassa, että on olemassa paljon enemmän haasteita, joihin on puututtava ennen kuin AI: n todellinen ikä saapuu. Vaikka meillä olisi jo digitaalisia avustajia, jotka voivat puhua kuin tietokoneet sci-fi-elokuvissa, tämä ei tarkoita, että olemme vakavasti lähellä todellisen tekoälyn luomista.
Loppujen lopuksi kaikki todellisen AI: n luomisen ongelmat ovat seuraavat: niihin sijoitetun tiedon määrä; kyvyttömyydessämme luoda AI, joka selviytyisi yhtä hyvin useista tehtävistä kerralla; Itse asiassa meillä ei ole aavistustakaan siitä, kuinka tällaisten järjestelmien pitäisi tosiasiallisesti toimia. Koneoppimistekniikat kykenevät tekemään upeita asioita jo vuonna 2016, mutta näiden asioiden selvittäminen voi joskus olla vaikeaa, jopa itselleen. Puhumattakaan siitä, kuinka paljon rahaa se kaikki maksaa. Tarkastellaan lähemmin monimutkaisuuksia, joita AI-insinöörit kohtaavat tänään.
Tiedot ensin, sitten AI
Me kaikki ymmärrämme täydellisesti, että AI: llä on oltava pääsy tietoihin ympäröivän maailman tutkimiseksi, mutta emme aivan ymmärrä tarkalleen kuinka paljon tietoa tarvitaan. Sheffieldin yliopiston koneoppimisosaston professorin ja Amazonin AI-tekniikan kehitysryhmän jäsen Neil Lawrencen mukaan nämä järjestelmät tarvitsevat satoja ja tuhansia kertoja enemmän tietoa kuin ihmiset, jotta he oppivat ymmärtämään maailmaa ja tunnistamaan tiettyjä esineitä.
"Jos tarkastellaan kaikkia toimialoja ja alueita, joilla insinöörit ovat saavuttaneet jonkin verran menestystä konepohjaisessa oppimisessa, voit heti nähdä kuinka paljon tietoa käytettiin kaikkien näiden asioiden ratkaisemiseen", sanoo Lawrence, mainitseen esimerkki samat puhe- ja kuvan tunnistustekniikat.
Yrityksillä, kuten Google ja Facebook, on pääsy tietovuorille, mikä tietysti helpottaa erilaisten hyödyllisten työkalujen (esimerkiksi samojen äänihakutekniikoiden esimerkiksi Androidille) luomista.
Lawrencelle tiedot ovat nyt mitä hiili oli teollisen vallankumouksen alkuvuosina. Lawrence mainitsee esimerkkinä englantilaisen Thomas Newcomenin, joka loi vuonna 1712 (tosiasiallisesti 60 vuotta ennen James Wattin tällaisen koneen luomista) primitiivisen version höyrykoneesta. Newcomenin keksintö ei ollut täydellinen. Watt-koneeseen verrattuna se osoittautui tehottomaksi ja liian kallisksi käytettäväksi. Suurimmaksi osaksi sitä voitiin käyttää vain hiilikaivoksissa, joissa tarvittavat polttoainemäärät kompensoivat koneen puutteita.
Esimerkki Facebookin avoimesta kuvan tunnistustekniikasta
Mainosvideo:
Lawrence uskoo, että näitä Newcomen-tuotteita voi olla satoja ympäri maailmaa kehittämässä omia koneoppimismallejaan. Ehkä heidän joukossaan on todella vallankumouksellisia ideoita, mutta ilman heidän tekniikkaansa pääsy heitä koskeviin valtaviin tietokantoihin, todennäköisesti kukaan ei koskaan tiedä. Suuret yritykset, kuten Google, Facebook ja Microsoft - ovat erittäin moderneja "hiilikaivostoimijoita". Heillä on pääsy rajoittamattomaan määrään tietoa, joten he voivat luoda tehottomia koneoppimisjärjestelmiä ja parantaa niitä sitten. Pienillä startup-yrityksillä voi todellakin olla hyviä ideoita, mutta he eivät koskaan saavuta mitään hyödyllistä ilman pääsyä tietokantoihin.
Tämä ongelma tulee entistä selvemmäksi, kun tarkastellaan alueita, joilla tarvitsemiesi tietojen saaminen on entistä vaikeampaa. Otetaan esimerkiksi terveydenhuoltojärjestelmä, jossa AI: tä voitaisiin käyttää konenäköön liittyvien tehtävien suorittamiseen - esimerkiksi pahanlaatuisten kasvainten löytäminen ja tunnistaminen röntgenkuvissa. Mutta pääsy tällaisiin tietoihin on yleensä hyvin rajoitettua. Tärkein rajoittava tekijä täällä on Lawrencen mukaan ihmisten nykyinen käsitys siitä, että on epäeettistä, että kolmannet osapuolet saavat tällaista tietoa. Suurin ongelma Lawrencen mukaan ei ole keinojen löytäminen tiedon levittämiseksi, vaan se, kuinka tehdä koneoppimisjärjestelmistä tehokkaampia ja opettaa työskentelemään vähemmällä tiedolla. Ja nämä tehokkuuden parannukset voisivat tutkijan mukaan viedä samat 60 vuotta.kuten Wattin auton tapauksessa.
Erikoistuminen on umpikuja. AI: n on kyettävä monitoimiin
Toinen keskeinen haaste todella syvien koneoppimismallien kehittämiselle on se, että kaikki nykyiset AI-järjestelmämme ovat itse asiassa hyvin tyhmä. Googlen DeepMind-tutkijan Rya Hudsellin mukaan näitä järjestelmiä voidaan itse asiassa opettaa suorittamaan kissan tunnistustehtäviä, leikkimään ja samalla toimimaan erittäin tehokkaasti näiden tehtävien suorittamisessa. Mutta "tällä hetkellä maailmassa ei ole yhtään täysimittaista hermoverkkoa ja menetelmiä, jotka kouluttaisivat sen tunnistamaan kuvia, toistamaan Space Invadersia ja harkitsemaan musiikkia". Neuraaliverkot puolestaan ovat avain perusta koneiden syvän oppimisen järjestelmien luomiseen.
Ja tämä ongelma on paljon merkittävämpi kuin miltä se voi näyttää ensi silmäyksellä. Kun DeepMind ilmoitti viime helmikuussa rakentavansa järjestelmän, jolla voidaan pelata 49 Atari-peliä, sitä voidaan pitää suurena saavutuksena. Mutta lopulta kävi ilmi, että kun järjestelmä on suorittanut yhden pelin läpi, se on joka kerta uudelleenkoulutettava toisen pelaamaan. Hudsell huomauttaa, että emme voi opettaa järjestelmää pelaamaan kaikkia pelejä kerralla, koska kummankin säännöt sekoittuvat keskenään ja lopulta häiritsevät tehtävää. Joka kerta kun sinun täytyy oppia kone uudelleen, ja joka kerta järjestelmä “unohtaa” kuinka pelata edellistä peliä.
”Yleisen tekoälyn luomiseksi tarvitsemme jotain, joka auttaa meitä opettamaan koneen suorittamaan useita tehtäviä kerralla. Nyt emme voi edes kouluttaa heitä pelaamaan pelejä”, Hadsell sanoo.
Ratkaisu voidaan piilottaa niin kutsuttuihin progressiivisiin hermoverkkoihin - yhdistämällä itsenäiset syvän oppimisen järjestelmät yhdeksi kokonaisuudeksi tehokkaammaksi työskentelemiseksi tiedon kanssa. Tätä aihetta käsittelevässä julkaistussa tieteellisessä julkaisussa Hadsell ja hänen tutkijaryhmänsä keskustelivat siitä, kuinka heidän progressiivinen hermoverkkonsa kykeni sopeutumaan Pong-peliin, jossa olosuhteet olivat joka kerta erilaiset (yhdessä tapauksessa värit vaihdettiin; toisessa ne olivat hämmentyneitä) ohjaus), paljon nopeammin kuin "tavallinen" hermoverkko, joka piti kouluttaa uudelleen joka kerta.
Progressiivisen hermoverkon perusperiaate
Menetelmä on osoittautunut erittäin lupaavaksi ja sitä on äskettäin käytetty robottivarusteiden virittämiseen nopeuttamalla oppimisprosessia viikosta yhdeksi päiväksi. Valitettavasti tällä menetelmällä on myös rajoituksia. Hudsell huomauttaa, että progressiivisten hermoverkkojen tapauksessa oppimisprosessia ei voida vähentää pelkästään uusien tehtävien lisäämiseen heidän muistiinsa. Jos jatkat tällaisten järjestelmien yhdistämistä, niin ennemmin tai myöhemmin tulee "liian monimutkainen malli, jota on mahdoton jäljittää". Tässä tapauksessa puhutaan eri tasosta. Taso, jolla eri tehtävät yleensä suoritetaan samalla tavalla Tuolien suunnitteluun kykenevän AI: n rakentaminen ja inhimillisen älykkyyden tason luominen, joka kykenee kirjoittamaan runoja ja ratkaisemaan differentiaaliyhtälöitä, eivät ole sama asia.
AI: ta voidaan kutsua AI: ksi, jos pystymme osoittamaan, miten se toimii
Toinen pelottava este on ymmärtää, kuinka tekoäly päätyy johtopäätöksiinsä ongelmia ratkaistaessa. Neuraaliverkot ovat yleensä läpäisemättömiä havaitsijalle. Huolimatta siitä, että tiedämme kuinka ne kerätään ja kuinka tieto kulkee niiden läpi, heidän tekemänsä päätökset jäävät yleensä selittämättömiksi.
Erinomainen esimerkki tästä ongelmasta on Virginia Tech -koe. Tutkijat ovat luoneet neuroverkkoon seurantajärjestelmän, joka tallentaa mitkä pikselit digitaalisessa kuvassa tietokone aloittaa analysoinnin. Tutkijat näyttivät makuuhuoneen hermoverkon kuvia ja kysyivät sille: "Mikä ikkunoissa roikkuu?" Sen sijaan, että katsoisi suoraan ikkunoihin, kone aloitti kuvien analysoinnin lattiasta. Hänen näkökenttään tuli sänky ja auto vastasi: "ikkunoissa on verhot." Vastaus osoittautui oikeaksi, mutta vain siksi, että järjestelmää "opetettiin" toimimaan rajoitetun määrän tietoja. Esitetyn kuvan perusteella hermoverkko päätteli, että jos kuvassa on makuuhuone, ikkunoissa todennäköisesti pitäisi olla verhot. Joten kun yksityiskohta tuli hänen näkökenttään,joka löytyy yleensä mistä tahansa makuuhuoneesta (tässä tapauksessa sängystä), hän ei analysoinut kuvaa tarkemmin. Hän ei ehkä edes nähnyt tätä sänkyä, hän näki verhot. Se on loogista, mutta erittäin pinnallista ja houkuttelevaa. Lisäksi monissa huoneissa ei ole verhoja!
Seurantatekniikka on vain yksi työkalu, joka voi auttaa meitä ymmärtämään, mikä kehottaa konetta tekemään tietyn päätöksen, mutta on olemassa parempia menetelmiä, jotka voivat lisätä logiikkaa ja syvällistä analyysiä koneoppimisjärjestelmiin. Lontoon Imperial Collegen kognitiivisen robotiikan professori Murray Shanahan uskoo, että paras ratkaisu ongelmaan on ajatella uudelleen AI: n vanhanaikaista paradigmaa - symbolinen AI tai GOFAI (hyvä vanhanaikainen tekoäly, "hyvä vanha tekoäly"). Sen paradigma johtuu siitä, että ehdottomasti mikä tahansa tehtävä voidaan jakaa loogisiin peruselementteihin, joissa jokainen sana on vain monimutkainen joukko yksinkertaisia symboleja. Yhdistämällä nämä symbolit - toiminnoissa, tapahtumissa, esineissä ja niin edelleen - ajattelu voidaan syntetisoida. Ajattele vain, että tällainen kehitys tapahtui jo päivinä, jolloin tietokoneet olivat huoneen kokoisia jättimäisiä laatikoita, jotka työskentelivät magneettinauhalla (työ alkoi 50-luvun puolivälissä ja jatkui viime vuosisadan 80-luvun loppuun).
Shanahanin ehdotus on yhdistää GOFAI-symboliset kuvaukset ja syvän oppimisen tekniikat. Tämän avulla ei vain voida syöttää tällaisille järjestelmille uutta tietoa ja odottaa niiden johtavan tiettyihin käyttäytymismalleihin ja ongelmanratkaisuihin tämän tiedon perusteella, Shanahanin lähestymistavan tarkoituksena on antaa tällaisille järjestelmille lähtökohta maailman ymmärtämiselle. Tämä hänen mielestään ratkaisee paitsi AI: n avoimuuden ongelman myös Hadsellin kuvaaman siirrettävän oppimisen ongelman.
”On turvallista sanoa, että Breakout on hyvin samanlainen kuin Pong, koska molemmissa tapauksissa käytetään“alustoja”ja“palloja”, mutta ihmisen havainnon ja logiikan kannalta nämä ovat kaksi täysin erilaista peliä. Ja niiden välillä on käytännössä mahdotonta vetää samansuuntaisesti. Se on kuin yritetään yhdistää atomin ja koko aurinkokunnan rakennetta."
Shanahan ja hänen kollegansa Imperial College Londonissa ovat parhaillaan kehittämässä uutta menetelmää koneoppimiseen (jota he kutsuvat syväksi symboliseksi stimuloiduksi oppimiseksi) ja ovat julkaissut pieniä kokeita. Menetelmä on vielä alkuvaiheessa, ja siksi on vielä vaikea sanoa, soveltuuko se laajempiin järjestelmiin, jotka työskentelevät erityyppisten tietojen kanssa. Siitä huolimatta on edelleen mahdollisuuksia, että menetelmästä kasvaa jotain muuta. Loppujen lopuksi syvä oppiminen on aina ollut tylsin ja tylsin osa AI-kehitystä, kunnes tutkijat löysivät tavan saada tietoja nopeasti käyttöön ja hankkivat massiivisen prosessointitehon. Melko mahdollista,on aika palata takaisin vanhoihin AI-paradigmoihin ja kokeilla niitä uudessa ympäristössä.
NIKOLAY KHIZHNYAK