Jak daleko zaszły deep learning i AlphaGo? Badamy możliwości i przyszłość silnej AI oraz rozważamy wyzwania, które przed nami stoją.
Głębokie uczenie się i AlphaGo: ewolucja sztucznej inteligencji
Marzec 2016 Jeśli nie mieszkasz na odludziu, odcięty od reszty świata, prawdopodobnie słyszałeś o AlphaGo i sztucznej inteligencji przynajmniej raz. Prawdopodobnie szukałeś ich, zastanawiając się, o co całe to zamieszanie, i słyszałeś terminy głębokie uczenie się i uczenie maszynowe. Ale ilu z nas wie o nich choć trochę? Większość z nas zna nazwy kilku słów, takich jak big data, ale niewiele więcej. W tym artykule przyjrzymy się historii i technicznym teoretycznym podstawom „głębokiego uczenia się”, jednego z najgorętszych tematów w dziedzinie sztucznej inteligencji w tej chwili, i krótko omówimy „Deep Q Network”, dzieło głębokich umysłów stojących za AlphaGo.
Przegląd i historia głębokiego uczenia się
Zanim porozmawiamy o głębokim uczeniu się, porozmawiajmy o „uczeniu się”: uczeniu maszynowym. Według amerykańskiego informatyka Toma M. Mitchella uczenie maszynowe można zdefiniować jako „wykorzystanie doświadczenia w zadaniu w celu poprawy jego wykonania lub wyniku”. Uczenie maszynowe polega na doskonaleniu się dzięki powtarzaniu doświadczeń. Podobnie jak ludzie stają się lepsi dzięki szkoleniom, uczenie maszynowe ma naśladować sposób, w jaki ludzie „uczą się”.
Głębokie uczenie się to rodzaj uczenia maszynowego opartego na technologii sztucznych sieci neuronowych. Sztuczna sieć neuronowa to model z zakresu sztucznej inteligencji, który naśladuje sieć neuronową składającą się z dużej liczby neuronów w mózgu, z których każdy wysyła i odbiera sygnały poprzez synapsy, a głębokie uczenie się jest zaprojektowane z wieloma warstwami w hierarchicznej strukturze struktura sztucznej sieci neuronowej. Warstwy te odróżniają głębokie uczenie się od tradycyjnego uczenia maszynowego. Podczas gdy tradycyjne uczenie maszynowe wymaga wcześniejszej ekstrakcji podstawowych funkcji, aby móc uczyć się na podstawie danych wejściowych w celu uzyskania pożądanego rezultatu, głębokie uczenie się może pracować z bardzo podstawowymi danymi (takimi jak piksele w przypadku obrazów) w celu uzyskania wyników bez wyodrębniania funkcji.
Ewolucja głębokiego uczenia się i jego współczesne znaczenie
Koncepcja głębokiego uczenia się, czyli sztucznych sieci neuronowych, była omawiana ponad 30 lat temu. Zwykle uważa się, że zaczęło się od Perceptronu Franka Rosenblatta w połowie lat pięćdziesiątych XX wieku, który był jednowarstwową siecią neuronową, która działała w modelach liniowych, ale nie w modelach nieliniowych, a ówczesny sprzęt nie nadążał za obliczeniami. Jednak później wykazano, że głębokie sieci neuronowe z wieloma warstwami, takie jak głębokie uczenie się, mogą analizować modele nieliniowe i rozwiązywać problemy, takie jak przetrenowanie, co doprowadziło do odrodzenia zainteresowania.
W erze nowoczesnej głębokie uczenie stało się jedną z najszybciej rozwijających się dziedzin, ze znacznym postępem w sprzęcie i dużych zbiorach danych. Doprowadziło to do innowacji w różnych zastosowaniach, w tym w samochodach autonomicznych, rozpoznawaniu mowy, rozpoznawaniu obrazów i innych. Na przykład samochody autonomiczne wykorzystują głębokie uczenie do analizowania warunków drogowych w czasie rzeczywistym w celu określania bezpiecznych tras jazdy. Technologia rozpoznawania mowy również wykorzystuje głębokie uczenie do dokładniejszego rozpoznawania i rozumienia ludzkiej mowy. Technologie te przekształcają nasze codzienne życie, a ich wpływ ma nadal rosnąć w przyszłości.
Sieć głębokiego Q głębokiego umysłu
Deep Mind, lepiej znany większości z nas jako AlphaGo, wykorzystuje w swojej sztucznej inteligencji algorytm zwany Deep Q Network (DQN). DQN to połączenie głębokich sieci neuronowych i uczenia się przez wzmacnianie. Teoria uczenia się przez wzmacnianie jest podobna do teorii użyteczności w ekonomii, która głosi, że racjonalnym zachowaniem jest obliczenie użyteczności każdego obiektu i wybranie tego, który ma najwyższą wartość użytkową. Jeśli jednak zachowanie zmienia się w wyniku uczenia się, oznacza to, że zmieniają się wartości użyteczności. Teoria uczenia się przez wzmacnianie to teoria wyjaśniająca, jak wartości użyteczności zmieniają się wraz z doświadczeniem. To po prostu zmienia terminologię z użyteczności na funkcję wartości.
Piękno DQN polega na tym, że może działać z bardzo prostymi informacjami i dobrze radzi sobie z większością konkurencyjnych lub wymagających zadań. Deep Mind zademonstrował to, stosując to do klasycznych gier na Atari 2600: w przypadku gry polegającej na łamaniu bloków jedyną podaną informacją był wynik i ekran. Na początku maszyna nie radziła sobie zbyt dobrze z grą, ale zaczęła uzyskiwać coraz lepsze wyniki, aż w końcu nauczyła się sama zdobywać coraz lepsze wyniki.
Przyszłość głębokiego uczenia się i nasza rola
Do tej pory omówiliśmy historię głębokiego uczenia się, jego teoretyczne podstawy i sieć Deep Q firmy Deep Mind. Fakt, że łatwiej jest wprowadzać dane niż w przypadku jakiegokolwiek innego uczenia maszynowego w przeszłości i nadal przynosić świetne wyniki, sprawia, że głębokie uczenie się jest teraz tak ekscytujące. Niektórzy widzą w głębokim uczeniu się potencjał „silnej sztucznej inteligencji”, która jest krokiem naprzód w stosunku do obecnego stanu sztucznej inteligencji i przewyższa ludzi we wszystkim. W rzeczywistości już przewyższyła ludzi w niektórych obszarach.
Era AI nie jest odległa. W takich czasach ważniejsze niż kiedykolwiek jest poznanie AI i zadanie sobie pytania, co powinniśmy robić w tej erze. Ponieważ AI wpływa na nasze codzienne życie i branże na całej linii, musimy nadążać za postępem technologicznym, ale także głęboko zastanowić się nad problemami etycznymi i społecznymi, które się pojawiają. Na przykład istnieją obawy, że postęp w AI może prowadzić do utraty miejsc pracy. Wyzwaniem dla nas będzie ustalenie, jak sobie z tym poradzić i znalezienie sposobów na współistnienie z AI.
