Hvor langt har dyp læring og AlphaGo kommet? Vi utforsker mulighetene og fremtiden for sterk AI, og vurderer utfordringene som ligger foran oss.
Dyp læring og AlphaGo: utviklingen av kunstig intelligens
Mars 2016 Med mindre du bor midt ute i ingensteds, avskåret fra resten av verden, har du sannsynligvis hørt om AlphaGo og kunstig intelligens minst én gang. Du har sannsynligvis slått dem opp, lurt på hva alt oppstyret handler om, og hørt begrepene dyp læring og maskinlæring. Men hvor mange av oss vet bare litt om dem? De fleste av oss kjenner navnene på noen få ord som stordata, men ikke mye mer enn det. I denne artikkelen skal vi ta en titt på historien og det tekniske teoretiske grunnlaget for «dyp læring», et av de heteste temaene innen kunstig intelligens akkurat nå, og snakke kort om «Deep Q Network», ideen til de dype hjernene bak AlphaGo.
En oversikt over og historie om dyp læring
Før vi snakker om dyp læring, la oss snakke om «læring»: maskinlæring. Ifølge den amerikanske informatikeren Tom M. Mitchell kan maskinlæring defineres som «bruk av erfaring med en oppgave for å forbedre ytelsen eller resultatet av den oppgaven». Å bli bedre med gjentatt erfaring er det maskinlæring handler om. Akkurat som mennesker blir bedre med trening, er maskinlæring designet for å etterligne hvordan mennesker «lærer».
Dyp læring er en type maskinlæring basert på kunstig nevral nettverksteknologi. Et kunstig nevral nettverk er en modell innen kunstig intelligens som etterligner et nevralt nettverk som består av et stort antall nevroner i hjernen, som hver sender og mottar signaler gjennom synapser, og dyp læring er utformet med flere lag i den hierarkiske strukturen til et kunstig nevral nettverk. Disse lagene er det som gjør dyp læring forskjellig fra tradisjonell maskinlæring. Mens tradisjonell maskinlæring krever utvinning av grunnleggende funksjoner på forhånd for å lære fra inngangsdataene for ønsket resultat, kan dyp læring arbeide med svært grunnleggende data (som piksler i tilfelle bilder) for å produsere en output uten å trekke ut funksjoner.
Utviklingen av dyp læring og dens moderne betydning
Konseptet med dyp læring, eller kunstige nevrale nettverk, ble diskutert for mer enn 30 år siden. Det antas vanligvis å ha startet med Frank Rosenblatts Perceptron på midten av 1950-tallet, som var et ettlags nevralt nettverk som fungerte for lineære modeller, men ikke for ikke-lineære, og datidens maskinvare klarte ikke å holde tritt med beregningene. Det ble imidlertid senere vist at dype nevrale nettverk med flere lag, som dyp læring, kunne analysere ikke-lineære modeller og løse problemer som overtrening, noe som førte til en gjenoppblomstring av interesse.
I moderne tid har dyp læring blitt et av de raskest voksende feltene, med betydelige fremskritt innen maskinvare og stordata. Dette har ført til innovasjoner innen en rekke applikasjoner, inkludert selvkjørende biler, talegjenkjenning, bildegjenkjenning og mer. For eksempel bruker selvkjørende biler dyp læring til å analysere veiforhold i sanntid for å bestemme trygge kjøreruter. Talegjenkjenningsteknologi bruker også dyp læring for å gjenkjenne og forstå menneskelig tale mer nøyaktig. Disse teknologiene forandrer hverdagen vår, og det forventes at deres innvirkning vil fortsette å vokse i fremtiden.
Deep Minds Deep Q-nettverk
Deep Mind, bedre kjent for de fleste av oss som AlphaGo, bruker en algoritme kalt Deep Q Network (DQN) i sin kunstige intelligens. DQN er en kombinasjon av dype nevrale nettverk og forsterkningslæring. Teorien om forsterkningslæring ligner på nytteteorien i økonomi, som sier at rasjonell atferd er å beregne nytten av hvert objekt og velge det med høyest nytteverdi. Men når atferd endres som et resultat av læring, betyr det at nytteverdiene endres. Forsterkningslæringsteori er en teori som tydeliggjør hvordan nytteverdier endres med erfaring. Den endrer bare terminologien fra nytte til en verdifunksjon.
Det fine med DQN er at den kan fungere med veldig enkel informasjon, og den yter bra i de fleste konkurransepregede eller utfordrende oppgaver. Deep Mind demonstrerte dette ved å bruke det på klassiske spill på Atari 2600: i tilfellet med et blokkbrytende spill var den eneste informasjonen som ble gitt poengsummen og skjermen. I starten var ikke maskinen særlig god i spillet, men den begynte å få bedre og bedre poengsummer og lærte seg etter hvert å få bedre poengsummer på egenhånd.
Fremtiden for dyp læring og vår rolle
Så langt har vi dekket historien til dyp læring, dens teoretiske grunnlag og Deep Minds Deep Q-nettverk. Det faktum at det er enklere å mate data inn i det enn noen annen maskinlæring tidligere og fortsatt produsere gode resultater, er det som gjør dyp læring så spennende akkurat nå. Noen ser potensialet for «sterk kunstig intelligens» i dyp læring, som er et steg opp fra dagens tilstand av kunstig intelligens og overgår mennesker på alt. Faktisk har den allerede overgått mennesker på noen områder.
AI-æraen er ikke langt unna. I en tid som denne er det viktigere enn noensinne å lære om AI og spørre deg selv hva du bør gjøre i denne epoken. Med AI som påvirker hverdagen vår og bransjene våre over hele linja, må vi holde tritt med teknologiske fremskritt, men også tenke grundig gjennom de etiske og sosiale problemstillingene som oppstår. For eksempel er det bekymring for at fremskritt innen AI kan føre til tap av arbeidsplasser. Utfordringen for oss vil være å finne ut hvordan vi skal håndtere dette og finne måter å sameksistere med AI.
