Написано Чэдом Стилбергом, генеральным директором Veritone. Эта статья первоначально появилась на Inc.com

Впервые в истории процесс изобретения не полностью зависит от человеческого интеллекта.

На протяжении веков человеческие инновации ускорялись с ошеломляющей скоростью. Учтите, что между контролем над огнем и изобретением колеса прошел 1 миллион лет, но еще всего 5400 лет до создания пресса Гутенберга и всего 455 дополнительных лет до изобретения электрической лампочки.

На графике, иллюстрирующем кривую человеческих инноваций, становится ясно, что есть только одно слово, которое может описать увеличение темпов прогресса: экспоненциальный. Однако кривая инноваций сейчас смещается на еще более высокую скорость с распространением искусственного интеллекта (ИИ).

Искусственный интеллект рос экспоненциально в 2017 году, и не было никаких признаков остановки в 2018 году. ИИ в корне меняет уравнение инноваций, добавляя новую переменную, которая резко ускоряет темпы развития. Впервые в истории процесс изобретения не полностью зависит от человеческого интеллекта. Машины сейчас расширяются и в конечном итоге вытеснят человеческий мозг.

Хотя ИИ все еще находится на ранней стадии, появление нового подхода, называемого «кондуктивным обучением, ускорит скорость преодоления существующих ограничений и повлияет на скорость как ИИ, так и кривой человеческих инноваций.

Узкий ИИ

«Алгоритмы ИИ теперь достигают и даже превосходят человеческие возможности в таких областях, как стратегические игры и классификация изображений. Однако эти алгоритмы подпадают под категорию искусственного узкого интеллекта (ANI), поскольку они ограничены превосходством в узко определенных задачах.

Например, мы можем обучить алгоритм ИИ распознавать форму оружия, и он сможет распознавать изображение быстрее и лучше, чем люди. Однако из-за этого ограничения узости в реальном приложении, таком как сканирование TSA, этот эффективный метод сканирования будет ограничен только конкретными моделями оружия, на которых был обучен алгоритм.

Следовательно, нам еще предстоит пройти долгий путь, пока мы не достигнем искусственного общего интеллекта (AGI), который будет более похож на человеческий и будет обладать возможностями, подобными тем, что мы видим в научно-фантастических фильмах.

Маэстро ИИ

Кондуктивное обучение представляет собой многообещающее решение для достижения AGI за счет использования объединенной мощности отдельных двигателей ANI. Кондуктивное обучение позволяет одновременно запускать несколько когнитивных механизмов, выбирая лучший механизм или механизмы для выполнения задачи, подобно оркестровому исполнению. Это приводит к более точному результату, чем тот, который может быть получен из любой отдельной сети, при одновременном снижении вычислительных затрат и скорости.

Как и другие модели глубокого обучения, проводимое обучение изначально форматирует данные, предварительно обрабатывает их и генерирует входные данные. Волшебство происходит на следующем этапе, когда технология действует как дирижер оркестра, инструктируя каждую когнитивную машину, когда играть свою роль в полной композиции.

Модель проводимого обучения извлекает точные части выходных данных и перерабатывает остаток в процессе преобразования и перенаправления на соответствующий механизм или механизмы. За счет одновременного использования нескольких когнитивных механизмов алгоритм постоянно обучается и совершенствует свои возможности, создавая более эффективную топографию для выполнения задачи. Это значительно повышает точность и производительность.

Классовое сознание

Кондуктивное обучение способствует преодолению ограничений узости с помощью двух методов: внутриклассного обучения и межклассового обучения. Внутриклассное обучение использует несколько когнитивных механизмов в одном классе (например, перевод). Межклассовое обучение использует несколько когнитивных механизмов в разных классах (например, перевод и распознавание лиц).

Возьмем в качестве примера транскрипцию с внутриклассным обучением, проводимое обучение позволяет транскрибировать футбольный матч английской лиги, сначала расшифровывая слова на английском языке. Затем он заполняет пробелы в работе механизма транскрипции, обученного спортивным терминам. Следующий движок будет охватывать слова, произносимые с сильным британским акцентом, чтобы отлавливать нечеткие слова, которые не были обнаружены с высокой достоверностью, и т. д. Все это делается за миллисекунды.

При межклассовом обучении, если механизмы распознавания речи на слух не могут уловить точную транскрипцию имен игроков, тогда на помощь приходят визуально обученные механизмы, которые используют распознавание лиц, чтобы сопоставить лицо игрока или «читать» его имена с футболок. будет активирован для точного выполнения задачи.

Изгиб кривой

Последствия проводимого обучения выходят за рамки достижения большей точности. Это большой скачок для машин, но, что еще более важно, для способности ИИ обучаться с помощью одного движка или класса движков, информируя другой о данных и выполняя задачу.

Кривая человеческих инноваций теперь изменилась с добавлением ИИ к вычислениям. ИИ станет доминирующим фактором, значительно опережая возможности людей изобретать самостоятельно.