Мир - безумное место для ИИ. Давайте не будем пытаться - вместо этого вычислим, как в 1999 году.
Для тех из вас, кто не может вспомнить (или никогда не заботился), 2000 год выявил экзистенциальную проблему для общества. В кодовых базах витала тонна двузначных лет, которые могли вызвать взрыв, потому что компьютеры не были достаточно умны, чтобы знать, был ли это 2000 или 1900 или какой-нибудь год-кончается-00.
Страшный результат?
Некоторые игровые автоматы на ипподроме в Делавэре перестали работать. Пока они не обновились.
В конце концов, мир отлично работает с небольшой неточностью. Это противоположность точности и не всегда плохо. Это тоже своего рода ошибка. Тоже неплохая вещь.
Почему?
Поскольку позволяя машинам работать с некоторой свободой, создается волшебство машинного обучения (ML).
От ошибки к ошибке каждый открывает всю правду
-Зигмунд Фрейд, возможно, предсказывает ML.
(В сторону: есть место для уверенности. Нейрохирургия. Стехиометрия. Приготовление сырого мяса. Ненависть к плохому трафику. Речь не идет ни об одном из них).
Почему в мире, где 64-битные операционные системы являются стандартом, такая компания, как Nvidida, удваивает количество оборудования с 16-битной архитектурой с плавающей запятой?
Вот почему - больше вычислений лучше, чем хороших вычислений. Доверьтесь численным методам, чтобы в конечном итоге получить правильные ответы, когда сложность реального мира препятствует аналитическим решениям. (Они не обязательно должны быть на самом деле числовыми - обработка естественного языка решается аналогичным образом.)
Nvidia незаметно расширяет аппаратные возможности машинного обучения, оптимизируя терафлопсы, а не точность. Это не регрессивное качество вычислений, а четкая стратегия, дающая нам инструменты, необходимые для обработки огромных объемов данных в нашем машинном обучении будущего.
В отличие от 2000 года, машинное обучение в реальном мире отличается низкой точностью.
Архитектура графического процессора (историческая основа мощности Nvidia) отлично подходит для машинного обучения, но предусмотрительность, позволяющая перенести опыт с чистой графики на алгоритмы, заслуживает похвалы. ‹/ Fanboy begin› ML нужны чемпионы во всех уголках, чтобы реализовать свой потенциал, и я очень рад видеть, куда нас приведет Nvidia ‹/ fanboy end›.
Теперь о творчестве. Ошибка в индивидуальных расчетах дает нам свободу обнаруживать скрытые или новые результаты. Это также не дает нам застрять в менее желаемом результате.
Как муравьи. Наблюдать за одним кормом - это упражнение в разочаровании - еда прямо здесь. Но в случае колонии появляется общее оптимизированное решение, превосходящее математические модели. Более того, разрабатываются операционные стратегии для преодоления таких сложностей, как разрешение конфликтов трафика, пропускная способность и повторяемость.
Интеллект улья можно имитировать путем многократного повторения (посмотрите, что я там делал?) или структурно развивая сеть узлов, которая допускает несколько входов и преобразований одновременно.
И в этом преимущество нейронной сети. Один агент может (или даже должен) действовать неоптимизированным образом, но в целом сеть будет иметь тенденцию к желаемому результату.
Как это работает?
Представьте себе проблему с двумя потенциальными решениями (например, восхождение на высшую точку вашего пространства решений). Как один алгоритм может исследовать оба?
Предоставляя отдельным испытаниям или агентам возможность развиваться в любом направлении. При повторении отдельных испытаний будут накапливаться результаты для обоих оптимизированных решений.
В системе должна быть ошибка, чтобы один вход алгоритма приводил к нескольким выходам решения. Если ваша модель использует реальные данные, это будет учтено в процессе обучения. Прими это. Вы не застрянете на низком пике.
Реальные топографии решений могут означать, что вы лучше способны завершить сегрегацию клиентов, исследовать новые тенденции НЛП, которым вы не обучались, найти муравьиные стратегии решения, применимые к другим проблемам, монетизировать свои показатели по-новому и т. Д. бесконечность….
Другими словами - Магия данных.
(Помимо 2: просто будьте готовы на другом конце провода разобраться в результатах, которые находит ваш ИИ. Как всегда, сложная часть науки о данных - убедиться, что вы действительно находите то, что, по вашему мнению, вы находите.)
Не пытайтесь бороться с небольшими ошибками в своем алгоритме. Правильно используемые ИИ должны отличаться несовершенными знаниями. Реальный мир всегда работает с несовершенными знаниями - ИИ раскрывают скрытые истины данных. Вот почему они так эффективны в применении.
Первоначально опубликовано на medium.com 15 августа 2017 г.
