Zullen machines die emoties begrijpen en communiceren zoals de AI in de film Her ooit werkelijkheid worden? We onderzoeken de voortgang en mogelijkheden van machine learning.
OS en machine learning in de film Her
In de film Her is er een besturingssysteem (OS) ingesproken door Amanda Seyfried. Het OS gedraagt zich alsof het emoties heeft, slaat woord-voor-woord transcripties op van gesprekken met een persoon en analyseert deze om zijn/haar hobby's, smaken en kenmerken te extraheren. Dit leidt tot interessante gespreksonderwerpen en empathie, en veel mensen, waaronder het hoofdpersonage, Theodore, worden verliefd op het OS. Je zou kunnen denken dat dit computerbesturingssysteem iets uit een sciencefictionfilm is. Dit komt omdat de machine leert als een mens door middel van gesprekken en veel ervaring, en op basis daarvan nieuwe acties onderneemt. Maar deze leermachines zijn al overal om ons heen. De theorie achter deze machines staat collectief bekend als machine learning.
Wat is machine learning?
Machine learning is precies hoe het klinkt: machines leren zichzelf aan te leren, met name door verschillende soorten gegevens die ze op de een of andere manier hebben verzameld te analyseren en ervan te leren, en vervolgens een wiskundige basis te bieden die kan worden toegepast op nieuwe soorten gegevens. De sleutel hiervoor is dat je een computer niet expliciet hoeft te programmeren om te leren, je hoeft hem alleen maar input te geven. Als u een computer bijvoorbeeld leert een afbeelding van een appel te herkennen, zal hij herkennen dat het een appel is als u hem een afbeelding van een appel laat zien die anders is dan de vorige, zelfs als u de kenmerken niet specificeert. van een appel.
Machine learning kan worden onderverdeeld in twee hoofdcategorieën, afhankelijk van hoe het leert. Eén daarvan is begeleid leren, waarbij de uitkomst (of het label) van de gegevens die worden getraind bekend is. Wanneer u bijvoorbeeld een foto op Facebook plaatst, herkent deze automatisch uw gezicht en wordt deze weergegeven als een vierkant. Dit wordt gedaan door te leren welke afbeeldingen gezichten zijn en welke afbeeldingen geen gezichten zijn. Met andere woorden: als de gegevens een afbeeldingsbestand zijn dat bestaat uit RGB-waarden van pixels, is het resultaat of het een gezicht is of niet.
Aan de andere kant, een andere methode van machinaal leren, genaamd ongeleid leren, houdt in dat een afbeelding in een machine wordt ingevoerd en deze wordt uitgevoerd zonder te specificeren hoe deze moet worden geclassificeerd. In het gezichtsherkenningsprogramma hierboven is de machine in staat om kenmerken in de afbeelding te vinden en zelf te onderscheiden of het een mens of een kat is, ondanks dat er niet wordt verteld wat er met de afbeelding moet gebeuren, d.w.z. of het een gezicht is of iets anders. Een ander voorbeeld is een nieuwscategorisatieprogramma op een portalsite. Als u naar nieuwsartikelen op een portalsite kijkt, ziet u misschien dat ze zijn gecategoriseerd in verschillende gebieden, zoals politiek, leven, entertainment, enzovoort, en dat vergelijkbaar nieuws wordt gegroepeerd en aanbevolen. Om dit te doen, specificeert de beheerder van de portalsite niet aan de leermachine welke artikelen gerelateerd zijn aan politiek, welke gerelateerd zijn aan entertainment, welke gerelateerd zijn aan sport, enzovoort, maar wanneer een groot aantal artikelen van verschillende typen in de leermachine worden ingevoerd, analyseert deze zelf de frequentie van woorden in de artikelen en classificeert nieuwe artikelen met hoge nauwkeurigheid.
Begeleide leermethoden
De leermethode die momenteel voor de meeste machine learning wordt gebruikt, is supervised learning. Het is goed voor ongeveer 95% van alle leermachines. Een reden hiervoor is dat het minder trainingsdata vereist om een bepaald prestatieniveau te bereiken dan een autonome leermethode, omdat een mens de resultaten rechtstreeks op de data specificeert. Dit komt omdat autonome leermethoden meer data nodig hebben om de kenmerken in deze data te vinden die zelfstandig onderscheid kunnen maken tussen objecten – bijvoorbeeld tussen een mens en een kat, tussen een politiek artikel en een entertainmentartikel. Supervised learning-methoden kunnen daarentegen goed presteren met relatief kleine hoeveelheden data omdat ze door mensen worden aangestuurd, waardoor de tijd die nodig is om de data te verzamelen en de tijd die nodig is om de training zelf uit te voeren, wordt verkort.
Leren onder toezicht heeft echter een groot nadeel: het kan niet leren over dingen die het niet door mensen is geleerd, en de prestaties kunnen dramatisch afnemen in omgevingen die enigszins verschillen van de omgevingen die het door mensen wordt aangeleerd. Een machine die is getraind op basis van een afbeelding van een persoon in een heldere omgeving, herkent de persoon mogelijk niet bij weinig of weinig licht, of herkent de zijkant van een persoon mogelijk niet als alleen de voorkant van het gezicht wordt ingevoerd.
Autonome leermethoden
Zelflerende methoden kunnen de tekortkomingen en beperkingen van supervised learning aanpakken. Deze leermethode bereikte echter al tientallen jaren geleden zijn grenzen. De vereiste data was te groot, de rekenkundige complexiteit was te hoog, de hardware was niet in staat om het te verwerken en het was te tijdrovend om praktisch te zijn. De laatste jaren hebben zelflerende methoden echter opnieuw aandacht gekregen omdat de algehele prestaties van hardware zijn verbeterd, inclusief toegenomen geheugen- en CPU-prestaties, en het is veel gemakkelijker geworden om overal gegevens te verzamelen, op te slaan en te delen via mobiele connectiviteit, inclusief cloudcomputers.
Te midden van deze veranderingen is een tak van zelflerend 'deep learning' leidend. Deep learning is een leermethode die een vergelijkbare structuur heeft als het menselijk brein. Het menselijk brein heeft neuronen die elk deel van het brein verbinden, en het is bekend dat naarmate we leren, het netwerk van verbindingen tussen de delen sterker wordt en vaker wordt gebruikt. Dit is de inspiratie voor deep learning, dat, net als neuronen, een verbindingsstructuur heeft tussen elk stukje leren, en deze structuur verandert voortdurend naarmate er extra trainingsgegevens binnenkomen, waardoor er feedback ontstaat tussen de stukjes leren. Daarom kan het eerdere leerervaringen recyclen en zich aanpassen aan nieuwe omgevingen op basis daarvan.
Het heden en de toekomst van machinaal leren
Zowel autonome als supervised learning-methoden worden momenteel voor verschillende doeleinden gebruikt. Supervised learning wordt gebruikt voor snelle ontwikkeling die alleen in een specifieke omgeving hoeft te worden toegepast, terwijl autonoom leren wordt gebruikt in velden die machines vereisen die in verschillende omgevingen kunnen worden toegepast. Eén ding is echter duidelijk: er wordt veel onderzoek gedaan in beide richtingen.
Onlangs hebben veel internationale bedrijven, waaronder Facebook en Google, veel energie gestoken in de ontwikkeling van machine learning. Facebook werkt hard aan de ontwikkeling van gezichtsherkenningsmachines met behulp van supervised learning-methoden, en Google heeft onlangs een durfkapitaalbedrijf overgenomen dat wordt geleid door experts in deep learning, genaamd DeepMind, voor ongeveer 440 miljard won. Het feit dat het bedrijf pas drie jaar oud was en nog geen enkel product had verkocht, laat zien hoeveel Google investeert in machine learning. Momenteel kan machine learning alleen objecten herkennen, dus het is nog ver verwijderd van het voeren van gesprekken met mensen met emoties, zoals het besturingssysteem in de film Her. Het snelle tempo van recente ontwikkelingen suggereert echter dat de dag dat we met Her kunnen praten niet ver weg is.
De mogelijkheden voor machinaal leren zijn eindeloos. In de gezondheidszorg worden AI-systemen ontwikkeld om patiënten te helpen diagnosticeren en behandelen, en in de financiële sector worden systemen geïntroduceerd om marktschommelingen te voorspellen en investeringsbeslissingen te nemen. De technologieën die ons leven gemakkelijker maken, zoals zelfrijdende auto's, slimme huizen en stemassistenten, worden ook steeds geavanceerder en intelligenter naarmate machinaal leren vordert. We leven in een tijdperk waarin machine learning voortdurend evolueert en de toekomstige vooruitgang ervan onvoorstelbaar is.
Daarom is machinaal leren niet alleen een technologie die gegevens verwerkt en analyseert, maar wordt verwacht dat het het menselijk leven zal verrijken en zal bijdragen aan het oplossen van verschillende problemen. Machines die emotioneel contact kunnen maken met mensen, zoals in de film ‘Her’, lijken misschien iets uit de verre toekomst, maar de mogelijkheid wordt steeds reëler. Machine learning is al diep verankerd in ons dagelijks leven, en toekomstige ontwikkelingen zullen ons nog meer verrassingen en innovaties brengen.
