Što će se dogoditi ako umjetnu inteligenciju ostavite bez nadzora?

Sadržaj:

Nezavisna AI

Iako je to već loša forma - da spomenemo prošlogodišnju utakmicu Alpha Go i osobu iz prvog stavka, počnimo s ovim primjerom. Zainteresiran je za nas, jer je to možda prvi adekvatan slučaj "AI za samo-učenje". Postoje mnogi drugi primjeri, ali do danas nisu napustili laboratorije i općenito su nepoznati javnosti. U središtu AlphaGo-ovog samostalnog učenja bilo je mnogo sati igranja sa samim sobom, te učenje igara.

Ovo natjecanje čovjeka i automobila privuklo je pozornost svih važnijih publikacija. Ja, kao i uvijek, kočim i nisam imao vremena za ovaj prekrasni memorandum modernog novinarstva. No, "sukob stoljeća" zanimljiv je ne samo uzbuđenjem oko njega (milijun dolara novčane nagrade, dodjeljivanje počasnog 9. dan u igri odlaska, znanstveni proboj godine prema znanosti) i izrazit okus azimovske fikcije. Ukratko, bit akcije: AlphaGo igraći stroj dominirao je i osvojio 4 od 5 utakmica u tradicionalnoj orijentalnoj igri go. Osvojila je ne nekog prvoplasiranog igrača, nego korejski go-professional 9 dan Lee Sedol (drugo mjesto u međunarodnom rejtingu). Stručnjaci kažu da ovaj slučaj ne izgleda kao šahovska bitka računala i Garryja Kasparova, jer je 1997. računalo obučeno pod nadzorom šahista, koji su sami pisali strategije i trenirali ga. Za treniranje AlphaGo playera, korištena je metoda brutalne sile (stroj je pregledao uzorak od stotina tisuća sudionika) na daljinu sličan radnim znanstvenim modelima popularno poznatim kao GAN (generativne kontradiktorne mreže). Oni su od posebnog interesa, jer predstavnici tima AlphaGo su se uhvatili u koštac s ovim konkurentnim neuronskim mrežama. Razmotrit ćemo ih u ovom članku.

Takav pristup obučavanju umjetne inteligencije više nije vijest - generativne konkurentske mreže ili samo GAN-ovi su se prvi put pojavili 2014. godine uz pomoć Iana Goodfellowa. GAN-ovi rade vrlo jednostavno - kao skup odvjetnika-odvjetnika, lošeg i dobrog policajca ili kritičara-autora. Jedna mreža (diskriminator, D) klasificira, označava ulazne podatke kao lažne ili istinite. Konkurentna mreža (generator, G) proučava procjene diskriminatora i može stvoriti nove podatke na temelju tih procjena. Te se neuronske mreže međusobno podučavaju. I, što je najzanimljivije, GAN-ovima su potrebni vrlo mali uzorci informacija o obuci - potrebno je samo nekoliko stotina slika i tri ili četiri kruga ponavljanja da bi generator mogao početi proizvoditi svoje vlastite verzije izvornih slika (prije procesa učenja neuronskih mreža bilo je potrebno mnogo sati i milijuna uzoraka).

Jedan od najzainteresiranijih GAN modela AI-a bio je Facebook, koji je čak požurio objaviti post o tome. Zašto Facebook? Budući da je to najpopularniji igrač na tržištu visoke tehnologije - i Google, i Amazon, a Microsoft masovno kupuje timove i startupove u umjetnoj inteligenciji kako bi razvili vlastiti razvoj. Ali oni su malo iza Facebooka, koji ima veliki uzorak obuke za AI obuku na slikama (računalni vid je jedna od najpopularnijih AI metoda treninga) i odličan FAIR tim (Facebook Artificial Intelligence Research group).

Sažetak: diskriminatorska mreža uči razlikovati stvarne fotografije od računalno generiranih fotografija i mrežne generatore za stvaranje realističnih fotografija koje se ne mogu razlikovati od originala. U ovoj utrci, obje mreže imaju jednake (?) Šanse za uspjeh. Što će se dogoditi kada završe obuku?

Trendopad

Posljednjih godina strojno učenje doživljava samo zlatno doba - povećana snaga računala, brz pristup velikim podatkovnim nizovima čini ovo područje vrlo vrućim. Danas je AI Fordov automobil početkom prošlog stoljeća ili svemirski sateliti šezdesetih - opća žurba, vrtoglavo predviđanje i slabo razumijevanje što učiniti sa svim tim bogatstvom. U nastavku su primjeri najnovijih tehnologija visokog profila u području umjetne inteligencije.

One-shot učenje je osposobljavanje neuronskih mreža na maloj količini podataka, idealno uz jedan primjer i mali uzorak za obuku. Sve više start-upova radi na AI-u brzog učenja.

Dakle, algoritam igre DeepStack nije ponovio sudbinu Alpha Goa, već je došao vrlo blizu uspješnog treninga u malim uzorcima. Krajem 2016. godine DeepStack je proveo niz teksaških igara s 11 igrača iz međunarodne poker organizacije. Algoritam je uzeo 3000 kombinacija sa svakim igračem kako bi pokazao pristojne rezultate - samopouzdanje (prosječno 396 bodova) pobjeda nad deset igrača i blisku pobjedu nad jedanaestom (70 bodova, statistička točnost). Algoritam se nije samo naučio u procesu igranja, već je koristio metodu ponovnog rješavanja (prilagođavanje svakom novom igraču i svakoj novoj kombinaciji karata). DeepStack je rezultat dijeljenja dubokih rekurzivnih neuronskih mreža i GAN-ova.

Za prepoznavanje slika koristi se projekt neuronske mreže Microsoft ResNet. Ako snimite rad neuronske mreže dok sortirate i prepoznavate slike, dobivate te slike:

Perspektivni smjer forenzičke znanosti i fotografije, Face Aging s GAN - par diskriminator-generator nakon vježbanja na 5000 fotografija ljudskih lica različitih dobi može se reproducirati, predvidjeti promjene pojedinaca s dobi. Ako generator reproducira staru osobu, diskriminator određuje koliko rezultat odgovara originalu.

King of Goldman Sachs trgovci zamijenili su neke od svojih trgovaca algoritmima. Mjesto 600 običnih trgovaca sada zauzima 200 programera i inženjera koji podržavaju trgovinske algoritme. To je povezano s velikim (146 bodova) planom upravljanja bankom za automatiziranje jednostavnih brokerskih poslova. Trgovcima s velikim iskustvom i iskusnim prodavačima to neće utjecati.

Iako u nekim hedge fondovima (Sentient Technologies inc., Numerai, Emma hedge fond), algoritmi trgovaca temeljeni na AI već rade sav posao analitike i prognoziranja rezultata. Tipično, stručnjaci za umjetnu inteligenciju nisu oduševljeni radom za financijske korporacije, ali prednosti velikih skupova podataka i mogućnosti za obuku AI nadmašuju skepticizam i nespremnost da rade za kapitalističke molohe. 2016. bila je godina rođenja nekoliko hedge fondova odjednom, u kojima se trguje umjetnom inteligencijom.

Kineski blizanac "Google" Baidu također ne spava. Većina kineskih kretanja u području inteligentnog inteligencije, strojno učenje, distribuiraju se besplatno i svatko ih može testirati i proučavati. U siječnju 2017. u Pekingu je otvoren laboratorij za umjetnu stvarnost, gdje Andrew Eun želi uspostaviti prijateljstvo s virtualnom stvarnošću i radom tražilica.

Drugi obećavajući razvoj Baidua je medicinski bot Melody, koji je u stanju provesti primarnu anketu pacijenata i prijeti zamjenom cijelog odjela registracije u poliklinikama.

Demokratizacija umjetne inteligencije - Danas istraživači trebaju velike količine informacija i računalne snage, tako da su sada samo velike tvrtke i istraživački instituti konkurentni u području AI. Čim se pojave AI modeli koji su u stanju proučavati male količine informacija, to će biti još zanimljivije, jer će još više ljudi moći trenirati i istraživati ​​AI. Možda će postojati društvene mreže (već) u kojima će ljudi moći dijeliti napredak u obuci svojih agenata za AI.

Distribucija će dobiti mehanizme za automatsko otkrivanje lažnih vijesti, fotografija, videozapisa. Razvoj IBR-a (image-based rendering), tehnologije koja omogućuje crtanje novih okvira na temelju postojećih (nešto slično metodama koje su već implementirane u međusobnom odnosu ili interpolaciji pokreta), jednostavno zahtijeva pojavu takvog lažnog analizatora.

Još jedan pozdrav iz bratske Kine je razvoj Face ++ prepoznavanja lica, koji vam omogućuje da platite svojim licem (teško je izbrojiti koliko slojeva ima u ovoj igri). Testiranje razvoja temelji se na Alipay mobilnom platnom sustavu: sada možete izvršiti plaćanja pružanjem samo vlastitog lica

U sferi prepoznavanja i reprodukcije govora, zanimljivo je nekoliko slučajeva: Adobe Voco (Voice Conversion) prezentacija "Photoshop za glas" - aplikacija za Adobe Audition koja manipulira izvornim uzorkom ljudskog govora, dodaje nove riječi i značenja izvornoj poruci. Sada ventriloquization poprima nova značenja.

Dobar primjer kako neovisni istraživač može podučavati jezike AI je:

Program podučava engleski jezik:

Program podučava japanski:

I što će se dogoditi ako ostavite AI bez nadzora? On će samostalno učiti bez zaustavljanja i postati sve savršeniji, na primjer, u glazbi:

Algoritamski Mashup ili umjetni Stravinski

Umjesto zaključaka: kad čujem da mladi ljudi s diplomom MBA rade na AI startupima, moja ruka dostiže miša. Ako uzmemo u obzir koliko je slobodnog softvera i moćnih računala danas dostupno običnim ljudima, onda moda na AI ne bi trebala biti iznenađujuća. Unatoč HYIP-u oko umjetne inteligencije i strojnog učenja, strašnih predviđanja i djetinjastih trikova kao što je Rocket AI, unatoč svim napretcima na ovom području, AI se teško može nazvati inteligencijom u točnoj definiciji ove riječi ("ljudi, ljudi svugdje") - svi rade na razvoju i podršci Umjetnu inteligenciju sada izvode ljudi, AI se ne može čak ni imenovati, već samo ono što su znanstvenici uložili u nju. Većina usluga koje rade na temelju umjetne inteligencije i dalje su podržane od strane razvojnih inženjera, možemo govoriti samo o vrlo malom dijelu automatizacije inteligentnih strojeva. Do sada, umjetna inteligencija samo ponavlja i reproducira obrazovne ili radne informacije - da, to zadivljuje računalnom snagom i brzinom učenja, ali to je sve. Prerano je govoriti o nečemu sličnom ljudskoj višoj živčnoj aktivnosti. "Da, i ne nužno", rekao bi Larry Niven.

Ažuriranje 02.23.17: Facebook je objavio Prophet projekt, automatski alat za poslovno predviđanje. Prorok koristi modele aditivne neparametarske regresijske analize za svoja predviđanja.

Na temelju podcasta s Ianom Goodfellowom i Richardom Mallahom.

* "Postoje umovi koji misle drugačije." 15. Nivenov zakon *. - "Ima umova koji misle isto kao i ti. Samo na drugačiji način." 15 Nivenov zakon.

Pogledajte videozapis: Da Li Vjerujes Ovom Kompjuteru, Dokumentarni Film (Kolovoz 2019).

Ostavite Komentar