В этом видео я немного развлекаюсь с #googlehome и показываю, насколько он умен в ответах на непредвиденные вопросы! :)
Я обсуждаю, насколько близки современные приложения, такие как #ML, #понимание #голоса, #изображений и #текста, к #человеческому #познанию, и как исследования в области #машинного обучения планируют решать текущие проблемы, с которыми придется столкнуться научно-техническому сообществу #искусственного интеллекта. адрес, чтобы приблизиться к человеческому #разуму. #ИИ, #МЛ
Сначала мы рассмотрим, как искусственный интеллект снова стал таким интересным и как он набирает обороты как в качестве технологии, так и в качестве темы для дебатов в нашем обществе. В основном два крупных прорыва произошли в 2015 и 2015 годах.
Ученые из Google и Microsoft объявили, что новый класс алгоритмов может превзойти человеческую точность в следующем:
1) распознавание изображений в большом наборе данных изображений (#imagerecognition, #objectdetection, #machinevision)
2) Перевод речи в текст (#speechtotext, #deeplearning, #RNN)
Эти достижения вызвали интерес и опасения по поводу скорого появления мира, в котором разумные машины могут думать, воображать, рассуждать и действовать как люди и парафии лучше, чем люди. Это спровоцировало тонкий страх, что новая раса разумных машин полностью победит человеческую цивилизацию!
Однако наука показывает, что текущий статус машинного обучения все еще далек от достижения человеческого мышления. Существуют как тактические технические ограничения, так и более фундаментальные ограничения.
Например, когда речь идет о специализированных технологиях машинного обучения, таких как глубокое обучение, они могут совершать серьезные ошибки (например, обменивать панду на гиббона при просмотре изображения панды). Алгоритмы совершают ошибки, связанные с неспособностью рассуждать о том, что они видят.
В более широком смысле машинное обучение упускает из виду два важнейших элемента человеческого познания.
о Способность рассуждать
o И способность абстрагировать понятие от частного к общему
Когда мы рассматриваем эти ограничения на конкретных примерах, мы можем визуализировать эти проблемы на более тонком уровне понимания, например:
1. Алгос может обменять зубную щетку в руках младенца на бейсбольную биту. Люди могли бы рассуждать об этом. Они бы знали, что ребенок не может справиться с большой бейсбольной битой и уж тем более не может положить ее в рот. Машина, основанная на глубоком обучении, не может использовать этот целостный подход и основывать свои выводы на математическом подходе, известном как классификация.
2. Научить алгоритм хватать пустую чашку — это не совсем то же самое, что брать стакан с водой. Много человеческого интеллекта должно быть воплощено в том, как эти алгоритмы учат, что делать с конкретной проблемой.
Сегодня человеческий интеллект используется для помощи алгоритмам в обучении и работе различными способами:
· Во-первых, нам нужны очень большие наборы данных, помеченные людьми, выполняющими очень ручную и скучную работу на обучающих машинах!
· Топология или архитектура моделей зависят от конкретной задачи. Каждый алгоритм настраивается человеком для решения конкретной задачи, например. специалист по данным выбирает и настраивает модель для решения проблемы. Следовательно, в конечном счете именно человек выбирает решение проблемы, а машина выполняет конкретную задачу.
· Сам процесс обучения алгоритмам требует множества трюков, которые может выполнить только человек, чтобы алгоритмы не вели себя неправильным, иногда катастрофическим образом после развертывания в реальном приложении.
Однако ученые работают над миром завтрашнего дня и пытаются устранить эти недостатки, чтобы сделать машинные алгоритмы менее зависимыми от человеческого руководства и более склонными к обучению из контекста.
Среди текущих предложений мы нашли интересные идеи, такие как, например:
Отделите задачи выполнения от задач рассуждения и абстракции, чтобы часть интеллекта могла выбрать правильный алгоритм для решения поставленной задачи.
· Добавить возможность для алгоритмов создавать дополнительный код и программное обеспечение, которые будут использоваться для решения конкретных задач.
· Поддерживать библиотеку алгоритмов, из которой другие алгоритмы могут выбрать ресурс для конкретной задачи.
В качестве примера мы обсуждаем исследования, недавно опубликованные группой исследователей из различных университетов и Google Brain. Это пример алгоритма, который может выполнить задачу, не требуя от человека выбора структуры модели. Алгоритм делает это сам. Эта конкретная публикация интересна тем, что ее можно реализовать с помощью общедоступных аппаратных средств и ресурсов. Таким образом, он прокладывает путь к выполнимым и реальным решениям, основанным на этом новом подходе.
Несмотря на распространенный страх перед ростом интеллектуальных систем и искусственного интеллекта как области, эти результаты и тот факт, что ученые продолжают изучать более широкий машинный интеллект; предлагают человеческой цивилизации бесценную возможность. До сих пор мы были ограничены нашей способностью обрабатывать данные и взаимодействовать с машинами. С этим новым поколением машин наши когнитивные способности будут намного расширены, и это может привести к резкому ускорению нашего научного и технического прогресса.
Источники:
Общие и не технические:
https://www.topbots.com/understanding-limits-deep-learning-artificial-intelligence/
https://www.darpa.mil/attachments/AIFull.pdf
https://blog.keras.io/the-limitations-of-deep-learning.html
https://blog.keras.io/the-future-of-deep-learning.html
https://www.wired.com/story/greedy-brittle-opaque-and-shallow-the-downsides-to-deep-learning/
https://www.analyticsindiamag.com/neural-networks-not-work-like-human-brains-lets-debunk-myth/
Технические:
Глубокое обучение: критическая оценка
https://arxiv.org/abs/1801.00631
Эффективный поиск нейронной архитектуры с помощью совместного использования параметров
