Следующие шаги в области искусственного интеллекта
Человеческий интеллект кажется особенным (в большинстве случаев). У нас есть возможность быстро учиться на нескольких образцах данных. Способность делать это проистекает из нашей врожденной способности извлекать уроки из предыдущих уроков и распознавать, когда контекст и концепции схожи. Это не ограничивается людьми; животные разделяют эти наборы навыков (например, обезьяны и вороны).
В машинном обучении мы возьмем модель, которая уже достаточно хорошо работает, и повторно используем ее в новом месте. Эта концепция называется трансферным обучением. Может потребоваться некоторая настройка, но если цели и данные достаточно схожи, это часто срабатывает. Но задачи часто терпят неудачу, если задача слишком далеко отходит от первоначального обучения.
Хотя трансферное обучение полезно, на самом деле это не «обучение», как мы. Возможность приспособиться к нескольким фрагментам данных и знать, какой мыслительный процесс или «алгоритм» использовать в реальном времени, - это другая проблема. Другими словами, мы можем решить новую задачу с небольшим количеством обучающих данных из-за нашей способности систематизировать полученные знания из предыдущих задач.
Алгоритмы метаобучения пытаются изучить сам алгоритм обучения.
Распространенной задачей метаобучения является однократное обучение. Однократная обучающая задача требует правильного прогнозирования, когда для каждого класса доступен только один пример данных. Мы, люди, делаем это все время с определенной точностью.
Ребенок впервые видит жирафа и после этого никогда не забывает, что такое жираф. Новинка жирафа запомнилась нам, потому что его особенности особенные. Примечание: это довольно классический пример, я не претендую на оригинальность.
Соответствие и сиамские сети - типичные примеры решения одноразовой проблемы. Сиамская сеть состоит из двух CNN, которые имеют одинаковые веса. Цель состоит в том, чтобы изучить набор кодировок, которые объясняют, считаются ли изображения совпадающими или нет (0 или 1). По сути, изучение особенностей изображений, которые делают возможным совпадение.
В идеале, в примере с жирафом, сеть должна идентифицировать кодировки, соответствующие длинной шее, и повторно использовать их в будущих прогнозах. Но что делать, если нет примеров, на которых можно было бы учиться. Это больше похоже на приведенный выше пример с ребенком, где ребенку нужно увидеть его только один раз, чтобы понять значение. Ребенок отводит жирафу особое место в репрезентации своих знаний.
Возможность автоматического представления новых данных станет одним из многих интересных следующих шагов для искусственного интеллекта.
