Šiame tinklaraščio įraše tyrinėjame, kaip AlphaGo ir gilaus mokymosi technologijų pažanga daro revoliuciją dirbtinio intelekto srityje ir daro įtaką sveikatos priežiūrai, švietimui ir visai visuomenei.
2016 m. kovą Go rungtynės tarp AlphaGo ir Lee Sedol sukrėtė pasaulį. „AlphaGo“, dirbtinis intelektas, pagrįstas gilaus mokymosi technologija, nugalėjo 9-ą reitingą „Go“ žaidėją Lee Sedol. Nuo tada terminas „gilus mokymasis“ tapo buitiniu žodžiu. Tiesą sakant, gilus mokymasis yra sena teorija, gyvuojanti daugiau nei dešimtmetį. Tačiau daugelis žmonių apie tai mažai žino. Šiame straipsnyje paaiškinsime, kas yra gilusis mokymasis, kuo jis skiriasi ir kaip AlphaGo jį taiko.
Pirmiausia trumpai pažvelkime į dirbtinio intelekto istoriją. Dirbtinio intelekto istorija prasideda nuo Alano Turingo šeštajame dešimtmetyje. Savo knygoje „Computing Machinery and Intelligence“ Alanas Turingas kalbėjo apie dirbtinio intelekto galimybę, sakydamas, kad vieną dieną jis galėtų mąstyti kaip žmonės. Nuo tada daug žmonių dirba su DI, tačiau DI plėtros ribos buvo pasiektos devintajame dešimtmetyje. Maždaug 1950 metų niekas nebandė kurti dirbtinio intelekto.
Tačiau 2006 m. profesorius Hintonas pristatė gilaus mokymosi metodus savo darbe „Greito mokymosi algoritmas giliųjų įsitikinimų tinklams“, ir dirbtinio intelekto tyrimai įgavo pagreitį. Gilus mokymasis reiškia mašininio mokymosi metodus, pagrįstus dirbtiniais neuroniniais tinklais (ANN), kurie leidžia kompiuteriams savarankiškai mokytis iš didelio duomenų kiekio, kaip ir žmonėms. Remiantis motyvu, kad žmonės mąsto ir veikia su šimtais neuronų sluoksnių, dirbtiniai neuroniniai tinklai yra sukurti skaičiavimo būdu, kad kompiuteriai mokytųsi.
Dirbtinis intelektas buvo tiriamas daugelyje sričių, o gilus mokymasis sukėlė revoliuciją daugelyje sričių, ypač vaizdo atpažinimo, kalbos atpažinimo ir natūralios kalbos apdorojimo. Pavyzdžiui, „Google“ nuotraukų veido atpažinimo technologija, „Apple“ balso atpažinimo funkcija „Siri“ ir „Amazon“ rekomendacijų sistema yra gilaus mokymosi pavyzdžiai. Šios technologijos palengvino mūsų kasdienį gyvenimą, o giluminį mokymąsi ateityje tikimasi pritaikyti daug daugiau sričių.
Tačiau kuo gilus mokymasis skiriasi nuo tradicinių metodų? Dirbtiniai neuroniniai tinklai buvo tyrinėti praeityje. Tačiau yra dvi pagrindinės problemos, susijusios su esamais dirbtiniais neuroniniais tinklais. Pirmoji yra vietinė minimali problema, ty neteisingo atsakymo išvedimo problema prieš randant teisingą atsakymą. Antrasis yra permontavimas, kai mokymo duomenys ir tikrieji duomenys skiriasi, todėl atsiranda klaidų.
Tačiau gilaus mokymosi technologija įgalino mokymąsi be priežiūros, pirmenybę teikdama pirmai problemai. Gilus mokymasis leidžia kompiuteriams nuolat pateikti teisingą atsakymą, o tai eksponentiškai padidina tikslumą. Antroji problema buvo išspręsta didelių duomenų pagalba. Tradiciniu būdu mokomieji duomenys buvo apdorojami, kad kompiuteriui būtų lengviau juos suprasti, tačiau tobulėjant dideliems duomenims, kompiuteriui vienu metu galima pateikti didelį kiekį informacijos. Tuo remiantis buvo įgyvendintas neprižiūrimas mokymasis. Kitaip tariant, kompiuteris iš tikrųjų mokėsi neprižiūrimas iš tikrų duomenų. Išsprendus abi šias problemas, gilus mokymasis pradėjo naują pavasarį dirbtinio intelekto srityje.
Taigi, kaip AlphaGo įtraukė gilų mokymąsi? „AlphaGo“ buvo treniruojamas be priežiūros, remiantis „Go“ žaidėjais mėgėjais. Per neprižiūrimą mokymąsi AlphaGo atnaujino informaciją apie laimėjimo tikimybę. Galų gale jis galėjo naudoti tikimybių pasiskirstymą, kad nustatytų, kuris žingsnis buvo geresnis kiekvienu laiko momentu. AlphaGo naudojo algoritmą, kad nustatytų 2–3 pradinius taškus su didele laimėjimo tikimybe. Algoritmas, apie kurį čia kalbame, yra vertės tinklo metodo ir išleidimo metodo derinys. Pirmasis yra metodas, kuris akimirksniu įvertina kiekvieno pradinio taško vertę, pagrįstą Monte Karlo paieškos technikomis, o antrasis yra metodas, išskiriantis didelės tikimybės, remiantis visų AlphaGo saugomų žymėjimų statistika. Naudodama šiuos du metodus kartu, AlphaGo sumažina skaičiavimo sudėtingumą, nes nereikia skaičiuoti visų Go atvejų. Taip AlphaGo sugebėjo nugalėti Lee Sedol 9 Go.
Ankstesnėse dalyse aptarėme dirbtinio intelekto evoliuciją, kas yra gilusis mokymasis, jo naudą ir kaip jis buvo pritaikytas AlphaGo. Gilus mokymasis savaime yra revoliucinė technologija. Tačiau svarbiausia gilaus mokymosi reikšmė yra ta, kad jis mums parodė, kad mašinose galima atkartoti žmogaus saviorganizaciją, o tai leidžia įsivaizduoti į žmogų panašų dirbtinį intelektą, kuris nėra tik mokslinė fantastika. Jei gilaus mokymosi technologijas bus galima toliau plėtoti ir pritaikyti žmonėms naudingoms technologijoms, žmonės galės gyventi patogesniame pasaulyje, jei gilaus mokymosi AI gali išspręsti problemas, kurių žmonės negali lengvai išspręsti.
Todėl giluminio mokymosi technologijos kūrimas yra ne tik technologinė naujovė, bet ir gali sukelti revoliuciją visoje visuomenėje. Gilus mokymasis gali būti naudojamas įvairiose pramonės šakose, įskaitant sveikatos priežiūrą, švietimą, finansus, gamybą ir kt., o tai dar labiau pagerins mūsų gyvenimo kokybę. Pavyzdžiui, sveikatos priežiūros srityje gilus mokymasis leis taikyti tiksliąją mediciną, kuri leis individualizuoti gydymą, o švietime – individualizuotą ugdymą pagal individualius mokymosi lygius. Visa tai yra teigiamas gilaus mokymosi technologijų pažangos poveikis.
Taigi gilus mokymasis toliau vystysis, o mūsų gyvenimas taps patogesnis ir praturtintas dėl jo pažangos. Tikiuosi, kad šis straipsnis padėjo geriau suprasti gilų mokymąsi ir paruošė būsimiems pokyčiams.
