При оценке проблемы ИИ есть несколько характеристик, которые могут помочь оценить среду ИИ.
Недавно я запустил образовательный информационный бюллетень, посвященный ИИ, у которого уже более 125 000 подписчиков. TheSequence — это информационный бюллетень, ориентированный на машинное обучение, без BS (то есть без шумихи, без новостей и т. д.), чтение которого занимает 5 минут. Цель состоит в том, чтобы держать вас в курсе проектов машинного обучения, научных работ и концепций. Пожалуйста, попробуйте, подписавшись ниже:
Каждая проблема искусственного интеллекта (ИИ) — это новая вселенная сложностей и уникальных задач. Очень часто самым сложным аспектом решения проблемы ИИ является не поиск решения, а понимание самой проблемы. Как бы парадоксально это ни звучало, даже самые опытные эксперты по ИИ были виновны в том, что торопились предлагать алгоритмы глубокого обучения и экзотерические методы оптимизации, не полностью понимая стоящую перед ними проблему. Когда мы думаем о проблеме ИИ, мы склонны связывать наши рассуждения с двумя основными аспектами: наборами данных и моделями. Однако это рассуждение игнорирует то, что можно считать самым сложным аспектом проблемы ИИ: окружающую среду.
При разработке решений искусственного интеллекта (ИИ) мы уделяем много времени таким аспектам, как структура алгоритмов обучения [например: контролируемый, неконтролируемый, полуконтролируемый], архитектура нейронной сети [например: сверточная, рекуррентная… ] или характеристики данных [например: помечены, не помечены…]. Однако часто мало внимания уделяется характеру среды, в которой работает решение ИИ. Как оказалось, характеристики окружающей среды — это элемент номер один, который может создать или разрушить модель ИИ.
Есть несколько аспектов, которые отличают среды ИИ. Форма и частота данных, характер проблемы и объем знаний, доступных в любой момент времени, — вот некоторые из элементов, отличающих один тип среды ИИ от другого. Глубокое изучение этих характеристик будет определять стратегии экспертов по ИИ в таких областях, как выбор алгоритмов, архитектура нейронных сетей, методы оптимизации и многие другие важные аспекты жизненного цикла приложений ИИ. Понимание среды ИИ — невероятно сложная задача, но есть несколько ключевых аспектов, которые вносят ясность в эти рассуждения.
Семь ключевых параметров для классификации среды ИИ
Одна из наиболее эффективных методологий для понимания среды ИИ состоит в том, чтобы классифицировать ее по ряду хорошо известных измерений, которые часто подразделяются только на две или три классификации. Среди различных характеристик, которые можно использовать для классификации среды ИИ, есть семь ключевых эксклюзивных динамических характеристик, которые обеспечивают быстрое понимание задач и возможностей, необходимых агентам ИИ.
1-один агент против нескольких агентов
Один из наиболее очевидных параметров для классификации среды ИИ основан на количестве задействованных агентов. Подавляющее большинство моделей искусственного интеллекта сегодня сосредоточены на средах с участием одного агента, но число агентов увеличивается. Введение нескольких агентов в проблему ИИ поднимает такие проблемы, как совместная или конкурентная динамика, которых нет в средах с одним агентом.
2-полный против неполного
Полные среды ИИ — это среды, в которых в любой момент времени у агентов достаточно информации, чтобы выполнить ветвь задачи. Шахматы — классический пример полноценной среды ИИ. Покер, с другой стороны, представляет собой незавершенную среду, поскольку стратегии ИИ могут только предвидеть множество ходов вперед и вместо этого сосредотачиваются на поиске хорошего «равновесия» в любой момент времени. Большинство известных принципов равновесия Нэша особенно актуальны в неполных средах ИИ.
2. Полностью наблюдаемый и частично наблюдаемый
Полностью наблюдаемая среда ИИ имеет доступ ко всей необходимой информации для выполнения целевой задачи. Распознавание изображений работает в полностью наблюдаемых областях. Частично наблюдаемые среды, такие как те, которые встречаются в сценариях беспилотных транспортных средств, обрабатывают частичную информацию для решения проблем ИИ. Частично наблюдаемые среды часто полагаются на статистические методы для экстраполяции знаний об окружающей среде.
3. Конкуренция против сотрудничества
В конкурентных средах ИИ агенты ИИ сталкиваются друг с другом, чтобы оптимизировать определенный результат. Такие игры, как GO или Chess, являются примерами конкурентной среды ИИ. Совместная среда ИИ опирается на сотрудничество между несколькими агентами ИИ. Самоуправляемые транспортные средства или сотрудничество, чтобы избежать столкновений, или взаимодействие с датчиками умного дома являются примерами совместной среды искусственного интеллекта. Многие многоагентные среды, такие как видеоигры, включают в себя как совместную, так и конкурентную динамику, что делает их особенно сложными с точки зрения ИИ.
4-Статика против Динамики
статические среды ИИ полагаются на источники данных, которые не меняются часто с течением времени. Анализ речи — это проблема, которая работает в статических средах ИИ. В отличие от этой модели, динамические среды ИИ, такие как системы искусственного интеллекта зрения в дронах, имеют дело с источниками данных, которые меняются довольно часто. Динамические среды ИИ часто должны обеспечивать более быстрое и регулярное обучение агентов ИИ.
5-дискретный и непрерывный
Дискретные среды ИИ — это среды, в которых конечный [хотя и сколь угодно большой] набор возможностей может определять окончательный результат задачи. Шахматы также классифицируются как дискретная задача ИИ. Непрерывные среды ИИ полагаются на неизвестные и быстро меняющиеся источники данных. Многопользовательские видеоигры — классический пример непрерывной среды ИИ.
6-Детерминированный против стохастического
Детерминированные среды ИИ — это среды, в которых результат может быть определен на основе определенного состояния. Под детерминизмом мы конкретно подразумеваем среду ИИ, которая игнорирует неопределенность. Большинство реальных сред ИИ не являются детерминированными. Вместо этого их можно классифицировать как стохастические. Самоуправляемые транспортные средства — один из самых экстремальных примеров стохастических сред ИИ, но более простые настройки можно найти в средах моделирования или даже в моделях анализа речи.
Понимание среды ИИ — один из самых сложных шагов в любой проблеме ИИ. К счастью, точки трения по семи измерениям, рассмотренным в этой статье, часто дают надежную классификацию среды ИИ и облегчают выбор моделей и архитектур. Хотя в архитектуре ИИ и методах оптимизации были достигнуты известные успехи, анализ среды остается весьма субъективным аспектом жизненного цикла ИИ.
