Давайте исследуем, как люди стали величайшими умами на земле, и посмотрим, сможем ли мы научить машины быть похожими на нас.
Откуда берутся человеческие знания?
Эволюция:
В течение миллионов лет наша ДНК собирала и строила информационную систему, способную передавать невероятное количество знаний от одного существа к другому.
Опыт:
Начиная с утробы матери, мы собираем, курируем и создаем обширные личные библиотеки аудио, визуальной и кинестетической информации. Создание одной из самых сложных баз знаний, которая позволяет нам проявлять творческий подход.
Культура:
Эволюция межличностного опыта - обширный набор ценностей и правил, определяющих нас как цивилизованных людей, - это то, что мы называем культурой.
Эти три были главными источниками знаний на протяжении веков - до 20-го века, когда машины, компьютеры и Интернет смело заявили о себе как о четвертом источнике знаний.
Как сказал Янн ЛеКун, со-лауреат премии Тьюринга и главный научный сотрудник в области искусственного интеллекта в Facebook: «Большая часть знаний в мире в будущем будет добываться машинами и будет храниться в машинах».
Почему нам должно быть до этого дело?
Существует разрыв между тем, как большинство людей видят искусственный интеллект и машинное обучение, и тем, как они используются на самом деле. Казалось, что здесь столкнулись два наших источника: у нас есть много культурных представлений и размышлений об ИИ - вы их знаете: умные блестящие роботы, которые подметают ваш пол, моют посуду, а затем побеждают мир, убивая большинство людей по пути (конечно, сначала беря их работу).
Но реальный опыт, который у нас есть с ИИ, очень отличается - он уже глубоко внедрен в нашу повседневную жизнь (вспомните Siri в вашем iPhone, систему рекомендаций Netflix, алгоритмы Facebook, которые формируют вашу новостную ленту, анти- спам-фильтры и т. д.). Это означает, что мы открыли, как передавать наши знания и учить машины учиться. Что касается нашего совместного - ИИ и человека - Эволюции и развития наших знаний, теперь нам нужно больше рассказать широкой публике о том, что такое ИИ и алгоритмы, и как они учатся.
Итак, откуда берутся знания для машины?
Педро Домингос, который написал книгу Мастер-алгоритм с той же целью распространения этой информации среди непрофессиональных читателей, заявил: Если он существует, мастер-алгоритм может извлечь все знания в мире - прошлые, настоящее, а будущее - по данным. Его изобретение было бы одним из величайших достижений в истории науки. Говоря об этом главном алгоритме, Домингос описывает пять основных племен машинного обучения. Их последователи постоянно соревнуются, чтобы доказать, что их способ обучения лучший. Домингос уверен, что нам действительно нужен единый алгоритм, решающий все пять.
Есть много споров о том, был ли уже создан такой алгоритм, и возможно ли создать такого универсального обучающего. Чтобы понять основы, давайте узнаем о пяти племенах:
Символисты (самые старые)
С середины 50-х до конца 80-х годов символисты руководствовались доминирующей парадигмой исследований ИИ. Символистов называют так потому, что они основывают свои теории на постулате о том, что люди мыслят символами и знаками. Управляя символами и знаками, люди могли создавать язык, сочинять музыку, строить компьютеры, которые сами построены на символах (язык программирования, графический интерфейс и т. Д.).
Экспертные системы, которые являются популярными формами символического ИИ, используют сеть производственных правил, которые соединяют символы во взаимосвязи, аналогичной выражению If-Then. Вместо чистой логической дедукции (все символисты любят символы. Я символист, поэтому мне нравятся символы), они используют обратную дедукцию: она работает в обратном направлении от набора правил, чтобы делать выводы и определять, какие пробелы следует заполнить.
Символистов вдохновляют психология, логика и философия.
Коннекционисты (самые известные и главные соперники символистов)
Они изучают, как работает человеческий мозг, и считают, что символы - это не основа человеческого познания, а нейронные связи, которые перемещают и хранят информацию в наших головах.
Их главный алгоритм - Backpropagation. Их все - нейронные сети с их последней разработкой - глубоким обучением. Google translate (машинный перевод), Siri (распознавание речи), распознавание лиц iPhone (распознавание изображений) - все это результат глубокого обучения.
Нейронная сеть может использовать контролируемую модель обучения - помеченный набор данных, который содержит желаемые входные и выходные данные. Используя их, алгоритм может оценить свою точность на обучающих данных.
В модели обучения без учителя алгоритм пытается учиться, извлекая шаблоны из немаркированного набора данных самостоятельно.
Коннекционистов вдохновляют нейробиология и физика.
Байесовцы (благодаря им у нас есть фильтры для защиты от спама!)
Они считают, что обучение - это форма вероятностного вывода (гипотеза постоянно обновляется по мере поступления новых данных). Для каждой части информации байесовцы постоянно вычисляют вероятность того, что она неверна, и обновляют эти вероятности на основе доказательств, следуя математической теореме Байеса (я не могу вам это объяснить).
Байесовцы уходят корнями в статистику и постоянные колебания.
Эволюционеры (превратили теорию Дарвина в алгоритм)
Они моделируют эволюцию на компьютере, надеясь, что эволюционные алгоритмы будут постоянно развиваться и адаптироваться к неизвестным условиям и процессам, как это делает ДНК.
Эволюционеры находят вдохновение в биологии и генетике как ее части.
Аналоговые преобразователи («Netflix, пожалуйста, порекомендуйте мне то, что мне нравится»)
Человеческие рассуждения часто основаны на аналогии: мы чего-то не знаем, но видим сходство и сходство с нашим прошлым опытом и действуем соответственно. Аналогии хороши и для рекомендательных систем, поэтому этот алгоритм широко используется с большой прибылью такими гигантами, как Amazon, Netflix, Facebook и т. Д.
Их самая известная модель - «ближайший сосед» (она помогает найти точку в данном наборе, которая является наиболее близкой (или наиболее похожей) к данной точке),
На аналогизаторы влияет психология и математическая оптимизация.
Трудно представить наше будущее без машин. Мы должны работать над тем, чтобы как можно больше людей понимали будущее, чтобы нарисовать более понятную и подробную картину для неспециалистов, чтобы подготовить всех нас к тому, что нас ждет впереди. Как гласит известная идиома: предупрежден значит вооружен. И знания - лучшее оружие, которое я знаю.
