Eelmisel kuul Londonis toimunud sügava masinõppe konverentsil tõstatati mitu teemat: teema mõistmise tähtsus, mida me tegelikult teeme. Kuigi ettevõtted, nagu Google, väidavad jätkuvalt, et elame kõik AI esimesel sajandil, kui masinõpe on alles hakanud avastama uusi tegevusvaldkondi (näiteks kõne- ja pildituvastus), siis need, kes tõepoolest seisavad püüdke AI-uuringute esirinnas rõhutada, et enne AI tõelise vanuse saabumist on vaja lahendada veel palju väljakutseid. Isegi kui meil juba on digitaalseid abilisi, kes oskavad rääkida nagu ulmefilmides arvutid, ei tähenda see, et oleme tõelise tehisintellekti loomisele tõsiselt lähedal.
Lõpuks on kõik tõelise intelligentsuse loomise takistused järgmised: teabe koguses, mis tuleb neisse investeerida; meie suutmatuses luua AI, mis suudaks mitme ülesandega korraga võrdselt hakkama saada; noh, tegelikult pole meil aimugi, kuidas sellised süsteemid tegelikult peaksid toimima. Masinõppe tehnoloogiad on juba 2016. aastal võimelised imelisi asju tegema, kuid neid asju võib mõnikord olla keeruline seletada, isegi loojate endi jaoks. Rääkimata sellest, kui palju raha see kõik maksab. Vaatame lähemalt keerukusi, millega AI insenerid täna silmitsi seisavad.
Esiteks teave, seejärel AI
Me kõik mõistame suurepäraselt, et AI-l peab olema ümbritseva maailma uurimiseks juurdepääs teabele, kuid me ei saa täpselt aru, kui palju teavet on vaja. Sheffieldi ülikooli masinõppe professori ja Amazoni AI-tehnoloogia arendusmeeskonna liikme Neil Lawrence'i sõnul vajavad need süsteemid maailma mõistmiseks ja teatud objektide äratundmiseks sadu ja tuhandeid kordi rohkem teavet kui inimene.
"Kui vaadata kõiki tööstusharusid ja valdkondi, kus insenerid on masinõppes teatud edu saavutanud, näete kohe, kui palju teavet on kõigi nende probleemide lahendamiseks kasutatud," ütleb Lawrence, viidates näitena. samad kõne- ja pildituvastustehnoloogiad.
Sellistel ettevõtetel nagu Google ja Facebook on juurdepääs mägedele teavet, mis muidugi hõlbustab mitmesuguste kasulike tööriistade loomist (näiteks samad häälotsingutehnoloogiad näiteks Androidi jaoks).
Lawrence'i jaoks on teave nüüd see, mis oli kivisüsi tööstusrevolutsiooni algusaastatel. Lawrence nimetab näitena inglast Thomas Newcomenit, kes lõi 1712. aastal (tegelikult 60 aastat enne James Watt sellise masina loomist) kivisöel töötava aurumasina primitiivse versiooni. Newcomeni leiutis polnud täiuslik. Watti masinaga võrreldes osutus see ebatõhusaks ja kasutamiseks liiga kulukaks. Enamasti sai seda kasutada ainult söekaevandustes, kus masina puuduste korvamiseks kulus vajalik kogus kütust.
Näide Facebooki avatud pildituvastustehnoloogiast
Reklaamvideo:
Lawrence usub, et neid Newcomen'e võiks maailmas olla sadu, kes töötaksid välja oma masinõppe mudelid. Võib-olla on nende hulgas tõeliselt revolutsioonilisi ideid, kuid ilma nende tehnoloogiateta ei pääse nende kohta tohututele andmebaasidele teavet, tõenäoliselt ei tea kunagi keegi. Suured ettevõtted nagu Google, Facebook ja Microsoft - nad on väga kaasaegsed "söekaevurid". Neil on juurdepääs piiramatule hulgale teabele, nii et nad saavad luua ebaefektiivseid masinõppe süsteeme ja neid siis täiustada. Väikestel alustavatel ettevõtetel võib tõepoolest olla häid ideid, kuid ilma teabebaasidele juurdepääsuta ei saavuta nad kunagi midagi väärtuslikku.
See probleem muutub veelgi selgemaks, kui vaadata valdkondi, kus vajaliku teabe saamine muutub veelgi raskemaks. Võtke näiteks tervishoiusüsteem, kus AI-d saaks kasutada masin nägemisega seotud ülesannete täitmiseks - näiteks röntgenikiirte pahaloomuliste kasvajate leidmiseks ja tuvastamiseks. Kuid juurdepääs sellistele andmetele on tavaliselt väga piiratud. Peamine piirav tegur on Lawrence'i sõnul inimeste praegune arusaam, et kolmandatele isikutele on ebaeetiline juurdepääs sellisele teabele. Põhiprobleem ei seisne Lawrence'i sõnul mitte teabe levitamise viiside otsimises, vaid selles, kuidas masinõppe süsteeme efektiivsemaks muuta ja õpetada vähem teavet kasutama. Ja need efektiivsuse täiustused võivad teadlase sõnul võtta sama 60 aastat.nagu Watti auto puhul.
Spetsialiseerumine on ummiktee. AI peab saama mitme ülesande teha
Veel üks tõeliselt sügavate masinõppe mudelite väljatöötamise ees seisev peamine väljakutse on asjaolu, et kõik meie praegused AI-süsteemid on tegelikult väga lollid. Google'i DeepMindi teaduri Rya Hudselli sõnul saab neid süsteeme tegelikult õpetada kassi äratundmise ülesannete täitmiseks, mängimiseks ja samal ajal nende ülesannete täitmiseks väga tõhusateks. Kuid "maailmas pole praegu ühtegi täieõiguslikku närvivõrku ja meetodeid, mis koolitaksid seda piltide äratundmiseks, Space Invaderite mängimiseks ja muusika mõtisklemiseks". See on omakorda närvivõrgud, mis on masinate süvaõppesüsteemide loomise võtmebaas.
Ja see probleem on palju märkimisväärsem, kui esmapilgul võib tunduda. Kui DeepMind teatas mullu veebruaris, et on ehitanud süsteemi, mis võimaldab mängida 49 Atari mängu, võib seda tõesti pidada suureks saavutuseks. Kuid lõpuks selgus, et pärast seda, kui süsteem on ühe mängu lõpule viinud, tuleb seda iga kord teise mängimiseks ümber õppida. Hudsell märgib, et me ei saa õpetada süsteemi mängima kõiki mänge korraga, kuna kummagi reeglid segunevad omavahel ja segavad ülesannet. Iga kord, kui peate masina uuesti õppima ja iga kord, kui süsteem “unustab”, kuidas eelmist mängu mängida.
„Üldise tehisintellekti loomiseks on meil vaja midagi, mis aitab meil masinat õpetada mitme ülesande korraga täitmiseks. Nüüd ei saa me neid treenida isegi mängudeks,”räägib Hadsell.
Lahenduse saab peita niinimetatud progressiivsetes närvivõrkudes - ühendades iseseisvad süvaõppesüsteemid ühtseks tervikuks efektiivsemaks tööks teabega. Seda küsimust käsitlevas avaldatud teadustöös rääkisid Hadsell ja tema teadlaste meeskond, kuidas nende progressiivne närvivõrk suutis mängu Pong kohandada, milles tingimused olid iga kord mõnevõrra erinevad (ühel juhul muudeti värve; teisel juhul oldi segaduses) kontroll), palju kiiremini kui "tavaline" närvivõrk, mida tuli iga kord uuesti treenida.
Progressiivse närvivõrgu aluspõhimõte
Meetod on osutunud väga paljutõotavaks ja seda on hiljuti kasutatud robotrelvade häälestamiseks, kiirendades õppeprotsessi nädalast vaid ühe päevani. Kahjuks on ka sellel meetodil oma piirangud. Hudsell märgib, et progressiivsete närvivõrkude korral ei saa õppeprotsessi taandada lihtsalt uute ülesannete lisamisele nende mällu. Kui jätkate selliste süsteemide kombineerimist, siis varem või hiljem jõuate "liiga keeruka mudeli juurde, mida on võimatu jälgida". Sel juhul räägime teistsugusest tasemest. Tase, kus mitmesuguseid ülesandeid täidetakse üldiselt ühtemoodi. Toolide kujundamiseks võimelise AI ehitamine ja luuletuste kirjutamiseks ja diferentsiaalvõrrandite lahendamiseks võimelise inimintellekti tasemel AI loomine pole üks ja sama asi.
AI-d võib nimetada AI-ks, kui saame näidata, kuidas see töötab
Teine hirmutav takistus on mõistmine, kuidas tehisintellekt probleemide lahendamisel oma järeldustele jõuab. Neuraalvõrgud on vaatleja jaoks tavaliselt läbitungimatud. Vaatamata asjaolule, et me teame, kuidas neid kogutakse ja kuidas teave nende kaudu voolab, jäävad nende tehtud otsused tavaliselt selgitamata.
Selle probleemi suurepärane näide on Virginia Tech eksperiment. Teadlased on loonud närvivõrgu jälgimissüsteemi, mis registreerib, milliseid piksleid digitaalses pildis arvuti hakkab analüüsima. Teadlased näitasid magamistoa närvivõrgu pilte ja esitasid sellele küsimuse: "Mis ripub akendel?" Selle asemel, et vaadata otse aknaid, hakkas masin põrandast algavaid pilte analüüsima. Tema vaatevälja tuli voodi ja auto vastas: "akendel on kardinad." Vastus osutus õigeks, kuid ainult seetõttu, et süsteemi "õpetati" töötama piiratud hulga andmetega. Näidatud pildi põhjal järeldas närvivõrk, et kui fotol on kujutatud magamistuba, siis peaksid suure tõenäosusega akendel olema kardinad. Nii et kui mõni detail sattus tema vaatevälja,mida tavaliselt leidub igas magamistoas (antud juhul voodis), ei analüüsinud ta pilti edasi. Ta ei pruukinud seda voodit isegi näha, ta nägi kardinaid. See on loogiline, kuid väga pealiskaudne ja köitev. Lisaks pole paljudes magamistubades kardinaid!
Jälgimistehnoloogia on vaid üks tööriist, mis aitab meil mõista, mis ajendab masinat konkreetset otsust tegema, kuid on ka paremaid meetodeid, mis saavad masinõppe süsteemidele lisada rohkem loogikat ja põhjalikku analüüsi. Londoni Imperial College'i kognitiivse robootika professor Murray Shanahan leiab, et parim lahendus probleemile on AI vanamoodsa paradigma - sümboolse AI ehk GOFAI (hea vanamoodne tehisintellekt, "vana hea tehisintellekt") ümbermõtestamine. Selle paradigma tuleneb asjaolust, et absoluutselt mis tahes ülesande saab jagada loogilisteks põhielementideks, kus iga sõna on lihtsalt keeruline lihtsate sümbolite komplekt. Neid sümboleid kombineerides - toimingutes, sündmustes, objektides ja nii edasi - saab sünteesida mõtlemist. Mõelge vaid, et sellised arendused viidi läbi juba päevil, mil arvutid olid toa suuruses hiiglaslikes kastides ja töötasid magnetlindil (töö algas 50ndate keskel ja kestis eelmise sajandi 80ndate lõpuni).
Shanahani ettepanek on ühendada GOFAI sümboolsed kirjeldused ja süvaõppe tehnoloogiad. See võimaldab mitte ainult edastada sellistele süsteemidele uut teavet ja oodata, kuni nad saavad selle teabe põhjal järelduse teatavate käitumisharjumuste ja probleemide lahendamise kohta, Shanahani lähenemisviisi eesmärk on anda sellistele süsteemidele lähtepunktid maailma mõistmiseks. See ei lahenda tema arvates mitte ainult AI läbipaistvuse probleemi, vaid ka Hadselli kirjeldatud ülekantava õppe probleemi.
“Võib kindlalt öelda, et Breakout sarnaneb Pongiga väga, kuna mõlemal juhul kasutatakse“platvorme”ja“palle”, kuid inimese taju ja loogika seisukohast on need kaks täiesti erinevat mängu. Ja nende vahel on paralleele tõmmata praktiliselt võimatu. See on nagu proovida ühendada aatomi ja kogu päikesesüsteemi struktuur."
Shanahan ja tema kolleegid Londoni Imperial College'is töötavad praegu uue masinõppe meetodi kallal (mida nad nimetavad sügavaks sümboolselt stimuleeritud õppimiseks) ja on juba avaldanud mõne väikese katse tulemused. Meetod on alles lapsekingades ja seetõttu on veel raske öelda, kas see laieneb suurematele süsteemidele, mis töötavad erinevat tüüpi andmetega. Sellegipoolest on endiselt võimalusi, et see meetod kasvab millekski enamaks. Lõppude lõpuks on sügav õppimine alati olnud AI arendamise kõige igavam ja igavam osa, kuni teadlased on leidnud viisi andmetele kiireks juurdepääsuks ja omandanud tohutu töötlemisvõimsuse. Üsna võimalik,on aeg minna tagasi vanade AI-paradigmade juurde ja proovida neid uues keskkonnas.
NIKOLAY KHIZHNYAK