AI, ML ja sügav õppimine: mis on erinevus?

Miks peavad masinad õppima? Sest inimesed ei suuda sammu pidada.

Praegune AI / ML-i buum tuleneb edusammudest konkreetses lähenemisviisis õppimisele, süvaõppele. Tehisintellekt, masinõpe ja süvaõpe on kõik vastutavad viimase aasta suurimate edusammude eest ja inimesed tähistavad neid tehnoloogiaid vaheldumisi. Viimasel ajal kubisevad tehnikakonverentsid inimestest, kes tahavad tehisintellekti, masinõppe ja süvaõppe kohta rohkem teada saada, justkui oleks tegemist sama asjaga. Kõigi nende tehnoloogiate taga on palju ajalugu, kuid meie motivatsiooni abil on lihtsam viis erinevuse jälgimiseks.

Sajad inimesed kogunevad AI Frontiersil 2017. aastal Tensorflowi töötoas masinõppe õppima.

Motivatsioonide erinevus

Masinad õpivad, sest inimestel on paremaid asju teha. Ma naljatan poole pealt, kuid see on hea algus. Muidugi, AI, ML ja Deep Learning on omavahel seotud tehniliste probleemidega.

Mõistete erinevus

Tehisintellekt on konstrueeritud intelligentsus, mis on inspireeritud sellest, mida me inimesena kogeme. Õppimine pole mitte ainult selle tahk, vaid ka vahend, mida me ise suurema intelligentsuse saavutamiseks kasutame. Tehisintellekt on tööriist, samas kui masinõpe on tööriista loomise viis. Süvaõpe on teatud tüüpi masinõpe, mida kasutatakse tehisintellekti saavutamiseks. Visuaalsuse huvides on siin õpikute skeem AI, ML ja Deep Learning suhetest.

http://www.deeplearningbook.org/

Kui keegi küsib, mida tähendab AI-s töötamine, vastaksin: “Ma töötan selle nimel, et arvutid saaksid paremini hakkama inimestega tehtavate asjadega.” Kui keegi küsib AI saavutamiseks ühte viisi, võiksin vastata “masinõppega”. või „sügav õppimine“, et olla täpsem.

Erinevus ajaloos

Selle standardi, mille kohaselt masinad töötavad paremini kui inimesed, tutvustas kuulsalt Alan Turing oma 1950. aasta artiklis Computational Machinery and Intelligence, mida tunti Turingi testina (põhineb jäljendusmängul). Turing teeb ettepaneku, et masinad suudaksid testi läbida diskreetsete reeglite ja piiratud oleku masinatega - just nii töötab tänapäeval enamik arvutiprogramme. Oma töö lõpus kujutab ta ette mõtet “masinate õppimine”, mis on keerulisem kui mõtlemismasinad. Turing küsis kõigepealt: “Kas masinad suudavad mõelda?” Paberi lõpus küsib ta: “Kas masina saab muuta ülkriitiliseks?” Esimene küsimus on, kas me suudame AI saavutada. Viimane küsimus puudutab seda, kas me suudame saavutada ML-i.

ML-i tutvustas Alan Turing 1950. aastal. 1952. aastal ehitati esimene arvutiõppe programm kabede mängu strateegiate õppimiseks. Esimene närvivõrgustik loodi 1957. aastal. Deep Learning on kunstlike närvivõrkude edasiarendus, kuid selle nimi saab alles 2006. aastal. Alates 2010. aastast on masinluure valdkonnas tehtud palju edusamme. Praegune ML / AI buum on enamasti tingitud edusammudest süvaõppes.

Forbesi sõnul on siin valitud peamised edusammud AI, ML ja Deep Learning alal

AI, ML ja sügava õppe erinevuste mõistmiseks on veel üks hea algus mõistmine, miks oleme loonud masinad õppimiseks. Kuna arvutid muutuvad teatud ülesannete täitmisel sama headeks (või paremateks) kui inimesed, siis on meil AI jaoks olulised verstapostid. Masinõpe on paljudel juhtudel osutunud eelistatud viisiks nende verstapostide saavutamisel.

Miks masinad õpivad

Alan Turingi ettepaneku AI testimiseks on üks suurimaid kriitikaid Associative Priming argument (ja selle täiendav raamiprobleem). Arukuse omandamise keerukuse tõttu väidetakse, et see protsess on masinatele kättesaamatu. Seda protsessi nimetatakse õppimiseks ja arvutid ei olnud selles (seni) nii suurepärased olnud.

Mõte on järgmine: Inimestel tekivad elu jooksul teatud seosed, mis erinevad mõistete vahel erineva tugevusega. Praktiliselt ainus viis, kuidas masin suudab isegi keskmiselt kindlaks teha kõik inimkontseptsioonide vahelised assotsiatiivsed tugevused, on kogeda maailma sellisena, nagu inimesekandidaadil ja intervjueeritavatel oli. (Prantsuse keel, 1990)

Milline on pedagoogika kogemus, mida inimkogemus on keeruline ja keerukas, kuidas me oma kogemusi masinatele tõlgime? Turing püstitas hüpoteesi, et masinad peavad võib-olla ise õppima arusaamu, mida peame iseenesestmõistetavaks.

Õppimismasina oluline omadus on see, et selle õpetaja on sageli väga teadmatu sisemisest toimumisest, ehkki ta suudab siiski mingil määral oma õpilase käitumist ennustada. See peaks kõige tugevamalt puudutama masina hilisemat harimist, mis tuleneb hästi proovitud konstruktsiooni (või programmi) lapsemasinast. See on selgelt vastuolus tavalise protseduuriga, kui masinat kasutatakse arvutuste tegemiseks, kui üks eesmärk on siis masina olekust selgel vaimse pildi saamine igal arvutamise hetkel. (Turing, 1950)

Masinad õpivad, kuna teatud harrastuste jaoks eelistati (praegu) intelligentsuse õppimiseks programmeerida arvuteid kui programmeerida arvuteid, et need oleksid otseselt intelligentsed. Seda võib eelistada, kuna (1) õpitud luure loomine võtab vähem inimlikke jõupingutusi (kui luure otse ülesehitamine); või (2) seda võib eelistada, kuna masin töötab paremini ise õpetades.

Praktikas on masinõpe kasulik siis, kui probleemid vajavad täpseid ennustusi. Võtke mängu Kakskümmend küsimust. Algselt mängiti seda inimeste vahel. Et asendada üks neist masinaga, oleks meil vaja, et see masin mingil määral sarnaneks inimintellektiga. Kahekümne küsimuse puhul pole masinõpe ainus viis tehisintellekti saavutamiseks, vaid vaieldamatult parem viis, nagu allpool näidatud.

1 Näide ML-st, mis nõuab vähem inimese pingutusi:

Kahekümne küsimuse, 20Q ja Akinatori veebiversioonis asendatakse inimene programmiga. Kuidas nad siis inimese asendasid? Selle asemel, et keegi üles ehitada kõigi aegade avaliku elu tegelaste teabe andmebaasi, võiksite koolitada programmi kuulsate inimeste omaduste õppimiseks inimeste kaudu, kes vastavad mängu küsimustele. See säästab pingutusi, et seda sel viisil teha.

(2) Näide ML-ist, mis võimaldab masinatel paremini töötada

Sõltumata sellest, kui palju vaeva see kokku hoiab, võib masinõpe lihtsalt paremini toimida kui muud tüüpi algoritmid. Sundar Pichai näitas hiljutisel Google I / O üritusel, et arvutid on pildi tuvastamisel ületanud inimesi. See verstapost kanti edasi edusammudega masinõppes, täpsemalt süvaõppes.

Google IO Keynote 2017-st

Näited sellest, kuidas ML erineb AI-st

Nagu ülaltoodud graafik näitab, on arvutid kujutise ennustamiseks, tuvastamiseks ja kontrollimiseks nüüd (mitmes mõttes) paremad kui inimesed. Allpool on meelelahutuslik kollaaž koertest, mis näevad välja nagu muffinid, bagelid ja mopid. Kuidas me erinevust teame? Kuidas arvuti erinevust teab? Et see oleks AI, pole tähtis, kuidas arvuti suudab erinevust öelda, vaid see, et ta seda suudab. Et see oleks ML, pidi arvuti olema erinevusi koolitanud ja iseendale õpetanud.

Intelligentsuse standard oli alati meie enda intelligentsus ja käitumine. Kui peaksime oma võimeid seostama AI akadeemiliste tegevuste ja nendest tulenevate tehnoloogiatega, leiame, et õppimine pole üksnes nende oskuste hulgas, mis inimestel hästi läheb, vaid ka viis oskuste omandamiseks.

Õppimine on oskus, mis aitab teil saada muid oskusi

Kui arvuti suudab tuvastada erinevuse koerte ja muffinite piltide vahel, on tõestatud, et ML on teiste meetoditega paremini hakkama saanud. Kuid mitte kõik piltide parsimisprobleemid ei vaja ML-i. Näiteks saab joonel pildi tuvastada, tuvastades formaalselt pikslite korrektse korralduse ilma ML-ita. Samuti ei vaja autonoomsed sõidukid läheduses asuvate objektide tuvastamiseks masinõpet. See võib lihtsalt tööle lidari. Tic Tac Toe AI ei vaja ka ML-i ja ka malemängu.

Tic Tac Toe otsinguprobleemina.

Täpsemalt: kui probleeme saab kaardistada hallatava otsinguruumi (nagu ülaltoodud Tic Tac Toe mängupuu), siis aitab otsingu heuristika aidata optimaalset vastust tagastada. Õpikute rohkema näite saamiseks otsige teed. A *, ahne sügavus-esimene või parim-esimene otsing, on hästi tuntud algoritm lühimate teede otsimiseks ühest punktist teise. A * võime ennustada optimaalseid teid (allpool näidatud) ei vaja masinõpet.

https://en.wikipedia.org/wiki/A*_search_algorithm

Ehkki väidetakse, et need probleemid takistavad end intelligentsete tegevustena (kuna neid saab lahendada algoritmiliselt), on kogu AI ajaloo diskrediteerimine ka pisut müoopiline. Kui üldse, on AI tulevik inimliku suuna, formaalsete mudelite, otsinguristika ja masinõppe segatud algatus.

Mis on sügav õppimine?

Deep Learning annab vastuse küsimustele, kuidas masin midagi õppida saab. Masinõpe on see, kuidas me oleme arvutitele õpetanud nägema paremini kui me ise (teatud viisidel), kuid seal on veel keerulisem, kuidas masin suutis ennast nägema õpetada. Nagu inimestel, on ka arvutite õppimiseks mitmesuguseid (ja veel avastamata) lähenemisviise. Praegune AI / ML-i buum tuleneb edusammudest konkreetses lähenemisviisis õppimisele, süvaõppele.

Üks sügavama õppimise kõige määratlevamaid omadusi muudest AI-dest on see, kui hästi me (ei mõista) tehtud otsuste ja ennustuste aluseks olevat arvutust. Näiteks Formaalne loogika on pöörduv. Kui A-> B-> C, saate seda loogikat käsitsi modelleerida. Deep Learning kasutab tehisneuronite varjatud kihte ja sellel pole selliseid diskreetseid, deterministlikke ega jälgitavaid samme. Alloleval pildil on süvaõppe lihtsustatud illustratsioon.

Ülaltoodud pilt näitab looma takistuses. Kui me tahaksime ennustada, kas see on kass või koer, sõeluvad meie ajud (võib-olla) juuste pikkuse ja pea kuju koera suunas. Arvuti jaoks on kujutise pikslid järelduste sisendkihiks, sisendkihi ja väljundi vahel on peidetud arvutamiskihid, mis püüavad tuvastada, mida konkreetsed pikslite rühmad tõenäoliselt esindavad.

Foto pikslid on olemuselt struktureerimata. Kuigi meie otsitavaid omadusi saab formaalselt põhjendada (näiteks juuste pikkus või looma pea kuju), on tõestatud, et tõhusam on lasta arvutil välja mõelda, mida tähendab olla koer ja luua oma mudel. Neid mudeleid koolitatakse saates arvutisse arvukalt koera- ja kassifotosid, millest eelnevalt õppida.

Aga mis siis, kui andmetes oleks rohkem struktuuri? Kõigi probleemidega ei kaasne struktureerimata andmeid. Ütleme nii, et mängime mängu „Arva ära kes?“. Sarnaselt ennustamisega, kas korvis on koer või kass, arvake ära, kes? võimaldab mängijatel vähendada otsinguruumi, kuni nad saavad täpselt ennustada, milline on vastase valitud pilt. Sel juhul saame loogikat jälgida, kuna meil on diskreetsed omadused / omadused, millega töötada. Sel põhjusel ei oleks teil selle mängu võitmiseks masina õpetamiseks vaja süvaõpet.

Lauamängu Guess Who? Veebiversioonid Akinator ja 20Q on suurepärased näited AI-st, mis on loodud masinõppe kaudu, kuid mitte tingimata süvaõppe kaudu. Akinatorit saab formaalselt käsitsi modelleerida, kuid sama hästi õppis ta ikka ja jälle mängides.

Male ja Tic Tac Toe saab mängida reeglite ja olekutega kodeeritud arvuti abil. Akinatorit ja 20Q treenivad mänguajad tõhusamalt. Mis teeb sellised mängud nagu Go ja Starcraft erinevad, on see, et neil on palju suuremad otsinguruumid, olekud ja strateegiad. Ja seni kuni meie masinad muutuvad piisavalt võimsaks, et neid kogu mängu välja kaardistada, loodame Deep Learning'ile.

Näidete kokkuvõte

Siin on kokkuvõte näidetest ja sellest, kuidas neile arutelus viidati

Kuidas Joneses'iga sammu pidada

Niisiis, kus, kui üldse, sobib masinõpe teie ellu? Hea algus alustamiseks oleks kohad, kus toimub AI demokratiseerimine. Google kuulutas hiljuti välja saidi Google.ai, mis jagab ML-i ruumi kolme kategooriasse: teadusuuringud, tööriistad ja infrastruktuur ning rakendus. Teadusuuringutes töötate parema AI leiutamise viiside kallal. Tööriistades leiate viise, kuidas AI tõhusalt käivitada. Lõpuks töötate rakenduses AI kasutamise tavade ja viiside poole. Google'i sarnaste ettevõtete eesmärk on muuta ML kättesaadavaks sadadele tuhandetele arendajatele, kus AI-d kasutavad igapäevased inimesed.

www.google.ai

(Kui olete AI toimimisest tõeliselt huvitatud, siis siin on uurimistöö autoriteetide kohta.)