Kaj se zgodi, če umetno inteligenco pustite brez nadzora?

Vsebina:

Neodvisna AI

Čeprav je že slaba oblika - če omenimo lansko tekmo Alpha Go in osebo iz prvega odstavka, začnimo s tem primerom. Zanima nas, ker je to morda prvi primeren primer "samoizobraževanja AI". Obstaja še veliko drugih primerov, vendar do danes še niso zapustili laboratorijev in so na splošno neznani širši javnosti. V središču samostojnega učenja AlphaGo je bilo veliko ur igranja z vami, plus študija iger.

To tekmovanje človeka in avtomobila je pritegnilo pozornost vseh večjih publikacij. Kot vedno sem zavirala in nisem imela časa za ta čudovit zapis o sodobnem novinarstvu. Toda "soočenje stoletja" je zanimivo ne le zaradi hype okoli njega (milijon dolarjev denarne nagrade, podelitev častnega 9. dan v igri go, znanstvenega prodora leta po znanosti) in izrazit okus azimove fikcije. Bistvo akcije na kratko: igralna naprava AlphaGo je prevladala in osvojila 4 od 5 tekem v tradicionalni orientalski igri go. Zmagala je ne na prvem mestu, ampak na korejskem go-professionalu 9 dan Lee Sedol (2. mesto v mednarodnem ratingu). Strokovnjaki pravijo, da ta primer ne izgleda kot šahovska bitka računalnika in Garryja Kasparova, ker je bil leta 1997 računalnik treniran pod nadzorom šahistov, ki so sami napisali strategije in ga trenirali. Za usposabljanje igralca-igralca AlphaGo je bil uporabljen metod brutalne sile (stroj je gledal vzorec več sto tisoč strank), ki je bil podoben delovnim znanstvenim modelom, ki ga popularno imenujemo GAN (generativne kontradiktorne mreže). Posebej zanimivi so, ker so se predstavniki ekipe AlphaGo spopadli s temi konkurenčnimi nevronskimi mrežami. Razmislili jih bomo v tem članku.

Takšen pristop k usposabljanju umetne inteligence ni več novonastala konkurenčna omrežja ali pa so se GANs prvič pojavili leta 2014 s pomočjo Iana Goodfellowa. GAN-i delujejo zelo preprosto - kot sveženj odvetnika-odvetnika, slabega dobrega policista ali kritika-avtorja. Eno omrežje (diskriminator, D) razvršča, označuje vhodne podatke kot napačne ali resnične. Konkurenčna mreža (generator, G) preučuje ocene diskriminatorjev in lahko na podlagi teh ocen ustvari nove podatke. Te nevronske mreže se medsebojno učijo. Najbolj zanimivo pa je, da GAN-i potrebujejo zelo majhne vzorce informacij o usposabljanju - potrebuje le nekaj sto slik in tri ali štiri kroge ponovitev, da bi generator začel proizvajati svoje lastne različice izvirnih slik (pred učnim procesom nevronske mreže je bilo potrebno več ur in več milijonov vzorcev).

Ena izmed najbolj zanimivih modelov GAN-a je bila Facebook, ki je celo poskušala objaviti objavo o tem. Zakaj Facebook? Ker je to najbolj javni igralec na visokotehnološkem trgu - tako Google kot Amazon, Microsoft pa množično kupuje ekipe in start-up podjetja za umetno inteligenco, da bi razvil lasten razvoj. Vendar pa so malo za Facebookom, ki ima velik vzorec usposabljanja za AI usposabljanje na slikah (računalniški vid je ena izmed najbolj priljubljenih metod usposabljanja AI) in odlična FAIR ekipa (Facebook Artificial Intelligence Research group).

Povzetek: mreža diskriminatorjev se nauči razlikovati med dejanskimi fotografijami in računalniško generiranimi fotografijami ter omrežnimi generatorji, ki ustvarjajo realistične fotografije, ki jih ni mogoče ločiti od originala. V tej dirki za usposabljanje imata obe mreži enake (?) Možnosti za uspeh. Kaj se bo zgodilo, ko bodo končali usposabljanje?

Trendfall

V zadnjih letih je strojno učenje doživelo le zlato dobo - zaradi povečane moči računalnikov, takojšnjega dostopa do velikih podatkovnih polj, je to področje zelo vroče. Danes je AI Fordov avto na začetku prejšnjega stoletja ali vesoljski sateliti v šestdesetih - splošna hitrost, vrtoglavo napovedovanje in slabo razumevanje, kaj storiti z vsem tem bogastvom. Spodaj so prikazani primeri najnovejših tehnologij na področju AI.

Enokratno učenje je usposabljanje nevronskih mrež na majhni količini podatkov, idealno z enim samim primerom in majhnim vzorcem za usposabljanje. Vedno več startupov se ukvarja s hitrim učenjem AI.

Torej, algoritem igre DeepStack ni ponovil usode Alpha Go, ampak je prišel zelo blizu uspešnega treninga v majhnih vzorcih. Konec leta 2016 je DeepStack izvedel serijo učnih iger v Texasu z 11 igralci iz mednarodne poker organizacije. Algoritem je vzel 3000 kombinacij z vsakim igralcem, da so pokazali spodobne rezultate - samozavestni (povprečno 396 točk) zmag nad desetimi igralci in tesno zmago nad enajstimi (70 točk, statistična natančnost). Algoritem se ni naučil le v procesu igranja, ampak je uporabil metodo ponovnega reševanja (prilagajanje vsakemu novemu igralcu in vsaki novi kombinaciji kart). DeepStack je rezultat delitve globokih rekurzivnih nevronskih omrežij in GAN-ov.

Za prepoznavanje slik se uporablja projekt nevronske mreže Microsoft ResNet. Če zajamete delo nevronske mreže med razvrščanjem in prepoznavanjem slik, dobite te slike:

Perspektivna usmeritev forenzične znanosti in fotografije, Face Aging z GAN - par diskriminator-generator po vadbi na 5000 fotografijah človeških obrazov različnih starosti se lahko razmnožuje, napoveduje spremembe posameznikov s starostjo. Če generator reproducira starejšo osebo, diskriminator določi, koliko se rezultat ujema z izvirnikom.

King of Goldman Sachs je zamenjal nekatere trgovce z algoritmi. Mesto 600 navadnih trgovcev zdaj zaseda 200 razvijalcev in inženirjev, ki podpirajo algoritme trgovanja. To je povezano z velikim (146 točk) načrtom upravljanja bank za avtomatizacijo enostavnih posredniških operacij. To ne bo vplivalo na trgovce z bogatimi izkušnjami in izkušenimi prodajalci.

Čeprav v nekaterih hedge skladih (Sentient Technologies, Inc., Numerai, Emma hedge fond), algoritmi, ki temeljijo na AI, že opravljajo delo analitike in napovedi. Značilno je, da strokovnjaki za umetno inteligenco niso navdušeni nad delom za finančne korporacije, vendar koristi velikih zbirk podatkov in možnosti za usposabljanje AI prevladajo nad skepticizmom in nepripravljenostjo za delo kapitalističnih molokov. Leto 2016 je bilo leto rojstva več hedge skladov naenkrat, v katerem se trguje z umetno inteligenco.

Kitajski twin "Google" Baidu tudi ne spi. Večina kitajskih dosežkov na področju aviarne inteligence, strojnega učenja, se razdeljujejo brezplačno in jih lahko vsak preizkusi in preuči. Januarja 2017 se je v Pekingu odprl laboratorij za umetno resničnost, kjer želi Andrew Eun spoznati virtualno resničnost in delo iskalnikov.

Drug obetaven razvoj Baiduja je medicinski botanični Melody, ki lahko izvede primarno anketo s pacienti in grozi, da bo nadomestil celoten oddelek za registracijo v polikliniki.

Demokratizacija umetne inteligence - Danes raziskovalci potrebujejo veliko količino informacij in računalniške moči, tako da so zdaj na področju AI konkurenčna le velika podjetja in raziskovalni inštituti. Takoj, ko se bodo pojavili modeli AI, ki bodo lahko preučevali majhne količine informacij, bo to še bolj zanimivo, saj bo še več ljudi lahko treniralo in raziskovalo AI. Morda bodo (že) socialna omrežja, kjer bodo ljudje lahko delili napredek pri usposabljanju svojih agentov.

Distribucija bo prejela mehanizme za samodejno odkrivanje ponarejenih novic, fotografij, videoposnetkov. Razvoj IBR (slikovno upodabljanje), tehnologija, ki omogoča risanje novih okvirjev na podlagi obstoječih (nekaj podobnega metodam, ki so že izvedene v medsebojni povezavi ali interpolaciji gibanja), preprosto zahteva videz takega lažnega analizatorja.

Še en pozdrav iz bratske Kitajske je razvoj Face ++ prepoznavanja obrazov, ki vam omogoča, da plačate s svojim obrazom (težko je prešteti, koliko slojev je v tej igri). Testiranje razvoja temelji na mobilnem plačilnem sistemu Alipay: zdaj lahko opravite plačila, tako da zagotovite samo svoj obraz.

Na področju prepoznavanja in razmnoževanja govora je zanimivih več primerov: Adobe Voco (Voice Conversion) predstavitev "Photoshop for voice" - aplikacija za Adobe Audition, ki manipulira izvirni vzorec človeškega govora, dodaja nove besede in pomen prvotnemu sporočilu. Zdaj, ventriloquization ima nove pomene.

Dober primer, kako lahko neodvisni raziskovalec poučuje jezike AI, je:

Program poučuje angleščino:

Program poučuje japonščino:

In kaj se bo zgodilo, če pustite AI brez nadzora? Samozaposlil se bo, ne da bi se ustavil in postal bolj popoln, na primer v glasbi:

Algoritemska kombinacija ali umetni Stravinski

Namesto zaključkov: ko slišim, da mladi s stopnjo MBA delajo AI startup, moja roka doseže miško. Če upoštevamo, koliko proste programske opreme in močnih računalnikov je danes na voljo običajnim ljudem, potem moda na AI ne bi smela biti presenetljiva. Kljub HYIPu okoli umetne inteligence in strojnega učenja, čudovitih napovedi in otroških trikov, kot je Rocket AI, se AI kljub vsem napredkom na tem področju težko imenuje inteligenca v natančni opredelitvi te besede ("ljudje, ljudje povsod") - vse delo na razvoju in podpori Umetno inteligenco sedaj izvajajo ljudje, UI ne morejo niti same poimenovati, piše samo tisto, kar so znanstveniki vložili v to. Večina storitev, ki delujejo na podlagi umetne inteligence, še vedno podpirajo razvijalci, lahko govorimo le o zelo majhnem delu avtomatizacije inteligentnih strojev. Do sedaj umetna inteligenca ponavlja in reproducira izobraževalne ali delovne informacije - da, preseneča z računalniško močjo in hitrostjo učenja, vendar je to vse. Prezgodaj je govoriti o nečem podobnem človeški višji živčni dejavnosti. "Ja, in ne nujno," bi rekel Larry Niven *.

Posodobitev 02.23.17: Facebook je izdal projekt Prophet, avtomatsko orodje za napovedovanje poslovanja. Za svoje napovedi Prophet uporablja modele aditivnih neparametričnih regresijskih analiz.

Temelji na podcastu z Ianom Goodfellowom in Richardom Mallahom.

* "Obstajajo možgani, ki razmišljajo drugače." 15. Nivenov zakon *. - "Obstajajo možgani, ki razmišljajo enako kot vi. Samo na drugačen način." 15 Nivenov zakon.

Oglejte si video: J. Krishnamurti - Brockwood Park 1976 - Discussion 7 - Life is sacred (December 2019).

Loading...

Pustite Komentar