Kas notiek, ja mākslīgo intelektu atstājat bez uzraudzības?

Saturs:

Neatkarīgs AI

Lai gan tā jau ir slikta forma - lai pieminētu pagājušā gada Alpha Go un pirmās rindkopas personas spēli, sāksim ar šo piemēru. Viņš mūs interesē, jo tas, iespējams, ir pirmais piemērots „pašmācības AI” gadījums. Ir daudzi citi piemēri, bet līdz pat šai dienai viņi nav atstājuši laboratorijas un vispār nav zināmi plašai sabiedrībai. AlphaGo pašmācības pamatā bija daudzas stundas, kad spēlēja ar sevi, kā arī spēlēto spēļu izpēte.

Šis vīriešu un automobiļu konkurss piesaistīja visu galveno publikāciju uzmanību. Es, tāpat kā vienmēr, bremzēju un nav bijis laika šai krāšņajai mūsdienu žurnālistikas piezīmei. Taču „gadsimta konfrontācija” ir interesanta ne tikai apkārtējā hipotēka (miljonu dolāru naudas balva, goda devītais dans piešķiršana spēlē, zinātniskais sasniegums gadā pēc Zinātnes) un atšķirīga Azimova fantastikas garša. Rīcības būtība: AlphaGo spēļu automāts dominēja un ieguva 4 no 5 spēlēm tradicionālajā austrumu spēlē. Viņa uzvarēja ne kādā no pirmajiem spēlētājiem, bet korejiešu profesionāļiem 9 dan Lee Sedol (2. vieta starptautiskajā reitingā). Eksperti saka, ka šī lieta nešķiet datora šaha cīņa un Garijs Kasparovs, jo 1997.gadā dators tika apmācīts šaha spēlētāju uzraudzībā, kuri paši uzrakstīja stratēģijas un trenerēja viņu. AlphaGo spēlētāja atskaņošanai tika izmantota brutālā spēka metode (mašīna apskatīja simtiem tūkstošu partiju paraugu), attālināti atgādinot par darba zinātniskajiem modeļiem, kas tika pazīstami kā GAN (ģeneratīvie pretinieku tīkli). Tie ir īpaši interesanti, jo AlphaGo komandas pārstāvji ir saskārušies ar šiem konkurētspējīgajiem neironu tīkliem. Mēs tos izskatīsim šajā rakstā.

Šāda pieeja mākslīgā intelekta apmācībai vairs nav ziņa - 2014. gadā ar Ian Goodfellow palīdzību pirmo reizi parādījās radoši konkurējošie tīkli vai tikai GAN. GAN strādā ļoti vienkārši - kā advokāta pakete, slikti labs policists vai kritiķis. Viens tīkls (diskriminētājs, D) klasificē, atzīmē ienākošos datus kā nepatiesus vai patiesus. Konkurējošs tīkls (ģenerators, G) pēta diskriminētāja aplēses un var radīt jaunus datus, pamatojoties uz šiem aprēķiniem. Šie neironu tīkli savstarpēji māca viens otru. Un interesantāk, GAN ir nepieciešami ļoti mazi mācību informācijas paraugi - tas prasa tikai dažus simtus attēlu un trīs vai četras atkārtošanās kārtas, lai ģenerators varētu sākt ražot paša oriģinālo attēlu versijas (pirms neironu tīklu mācīšanās process prasa daudzas stundas un miljonus paraugu).

Viens no interesantākajiem AI GAN modeļiem bija Facebook, kas pat steidzās publicēt ziņu par to. Kāpēc Facebook? Tā kā tas ir vispopulārākais spēlētājs augsto tehnoloģiju tirgū - gan Google, gan Amazon, un Microsoft masveidā pērk komandas un jauninājumus mākslīgā intelekta jomā, lai padarītu savus notikumus. Bet viņi ir nedaudz aiz Facebook, kam ir milzīgs apmācības paraugs AI apmācībai par attēliem (datoru vīzija ir viena no populārākajām AI apmācības metodēm) un lieliska FAIR komanda (Facebook mākslīgā intelekta izpētes grupa).

Kopsavilkums: diskriminētāja tīkls iemācās atšķirt reālus fotoattēlus no datora radītiem fotoattēliem un tīkla ģeneratora vilcieniem, lai radītu reālistiskas fotogrāfijas, kas nav atšķiramas no oriģināla. Šajā apmācības sacensībā abiem tīkliem ir vienāds (?) Izredzes uz panākumiem. Kas notiks, kad viņi pabeidz mācības?

Trendfall

Pēdējos gados mašīnmācība piedzīvo tikai zelta laikmetu - palielināta datoru jauda, ​​tūlītēja piekļuve lieliem datu blokiem padara šo zonu ļoti karstu. Šodien AI ir Ford automašīna pagājušā gadsimta sākumā vai 60. gadu kosmosa satelīti - vispārēja skriešanās, reibinošas prognozes un vāja izpratne par to, ko darīt ar visu šo bagātību. Tālāk ir sniegti jaunāko augstas kvalitātes tehnoloģiju piemēri AI jomā.

Vienreizēja mācīšanās ir neironu tīklu apmācība nelielā datu apjomā, ideālā gadījumā ar vienu piemēru un nelielu paraugu apmācībai. Arvien vairāk jaunizveidoto uzņēmumu strādā pie ātrās mācīšanās AI.

Tātad, spēles algoritms DeepStack neatkārtoja Alpha Go likteni, bet bija ļoti tuvu veiksmīgai apmācībai mazos paraugos. 2016. gada beigās DeepStack veica virkni mācīšanās Texas pokera spēļu ar 11 spēlētājiem no starptautiskās pokera organizācijas. Algoritms ieguva 3000 kombinācijas ar katru spēlētāju, lai parādītu pienācīgus rezultātus - pārliecināti (vidēji 396 punkti) uzvaru pār desmit spēlētājiem un ciešu uzvaru vienpadsmitajā (70 punkti, statistiskā precizitāte). Algoritms bija ne tikai iemācīts spēļu procesā, bet arī izmantoja atkārtotas risināšanas metodi (pielāgošanās katram jaunajam spēlētājam un katrai jaunajai karšu kombinācijai). DeepStack ir dziļo rekursīvo neironu tīklu un GAN apmaiņas rezultāts.

Attēla atpazīšanai tiek izmantots Microsoft ResNet neironu tīkla projekts. Ja jūs uztverat neironu tīkla darbu, šķirojot un atpazīstot attēlus, jūs saņemsiet šos attēlus:

Perspektīva virzība tiesu zinātnē un fotogrāfijā, sejas novecošana ar GAN - pāris diskriminējošs ģenerators pēc treniņa ar 5000 fotogrāfijām no dažādu vecumu cilvēka sejām, var reproducēt, prognozēt indivīdu vecumu. Ja ģenerators reproducē vecu cilvēku, diskriminētājs nosaka, cik lielā mērā rezultāts atbilst oriģinālam.

Goldman Sachs tirgotāji nomainīja savus tirgotājus ar algoritmiem. 600 parasto tirgotāju vietu tagad aizņem 200 izstrādātāji un inženieri, kas atbalsta tirdzniecības algoritmus. Tas ir saistīts ar lielu (146 punktu) bankas vadības plānu, lai automatizētu vienkāršas starpniecības operācijas. Tas neietekmēs tirgotājus ar plašu pieredzi un pieredzējušiem pārdevējiem.

Lai gan dažos riska ieguldījumu fondos (Sentient Technologies inc., Numerai, Emma riska ieguldījumu fonds), AI balstīti tirgotāju algoritmi jau veic visus analītikas un prognozēšanas rezultātus. Parasti AI speciālisti nav entuziastiski strādājot ar finanšu sabiedrībām, bet lielo datu kopu priekšrocības un AI apmācības iespējas ir svarīgākas par skepticismu un nevēlēšanos strādāt kapitālistiskiem Molochiem. 2016. gads bija vairāku riska ieguldījumu fondu dzimšanas gads, kurā tiek tirgots mākslīgais intelekts.

Ķīniešu dvīņu "Google" Baidu arī nav gulēt. Lielākā daļa Ķīnas attīstības AI jomā, mašīnmācība tiek izplatīta bez maksas, un ikviens var tos pārbaudīt un izpētīt. 2017. gada janvārī Pekinā tika atvērta mākslīgās realitātes laboratorija, kur Andrew Eun vēlas iegūt draugus ar virtuālo realitāti un meklētājprogrammu darbu.

Vēl viena daudzsološa Baidu attīstība ir medicīnas bots Melodija, kas spēj veikt primāro pacientu aptauju un draud aizstāt visu reģistrācijas nodaļu poliklinikās.

AI demokratizācija - Šodien pētniekiem ir vajadzīgi lieli informācijas un skaitļošanas jaudas apjomi, tāpēc tagad lielie uzņēmumi un pētniecības institūti ir konkurētspējīgi AI jomā. Tiklīdz parādās AI modeļi, kas spēj mācīties par nelieliem informācijas daudzumiem, tas būs vēl interesantāks, jo vēl vairāk cilvēku varēs apmācīt un izpētīt AI. Varbūt būs sociālie tīkli (jau), kur cilvēki varēs dalīties ar progresu AI aģentu apmācībā.

Izplatīšana saņems mehānismus viltotu ziņu, fotoattēlu, videoklipu automātiskai noteikšanai. IBR (attēlveidota attēlveidošana), tehnoloģija, kas ļauj uzņemt jaunus rāmjus, balstoties uz esošajiem (kaut kas līdzīgs jau ieviestajām metodēm starp interpolāciju vai kustības interpolāciju), vienkārši prasa šāda viltota analizatora izskatu.

Vēl viens sveiciens no brālīgas Ķīnas ir sejas ++ sejas atpazīšana, kas ļauj jums maksāt ar savu seju (ir grūti rēķināties, cik slāņu ir šajā soda daļā). Attīstības pārbaude ir balstīta uz Alipay mobilo maksājumu sistēmu: tagad jūs varat veikt maksājumus, sniedzot tikai savu seju.

Runas atpazīšanas un reproducēšanas jomā ir interese par vairākiem gadījumiem: Adobe Voco prezentācija "Photoshop for voice" - lietojumprogramma Adobe Audition, kas manipulē ar cilvēka runas sākotnējo paraugu, pievieno jaunus vārdus un nozīmes oriģinālam. Tagad ventriloquization ieņem jaunas nozīmes.

Labs piemērs tam, kā neatkarīgs pētnieks var mācīt AI valodas, ir:

Programma māca angļu valodu:

Programma māca japāņu valodu:

Un kas notiks, ja AI paliks bez uzraudzības? Viņš pašmācīsies bez apstāšanās un kļūs arvien pilnīgāks, piemēram, mūzikā:

Algorithmic mashup vai mākslīgā Stravinsky

Secinājumu vietā: kad es dzirdu, ka jaunieši ar MBA grādu dara AI startus, mana roka sasniedz peli. Ja mēs ņemam vērā, cik daudz brīvās programmatūras un jaudīgie datori ir pieejami parastajiem cilvēkiem, tad AI modes nedrīkst būt pārsteidzoši. Neskatoties uz HYIP ap mākslīgo inteliģenci un mašīnu mācīšanos, awesome prognozēm un bērnišķīgiem trikiem, piemēram, Rocket AI, neskatoties uz visiem sasniegumiem šajā jomā, AI precīzi definējot šo vārdu („cilvēki, cilvēki visur”), gandrīz nevar saukt par izlūkdatiem. Mākslīgo inteliģenci tagad veic cilvēki, AI nevar pat nosaukt sevi, tas saka tikai to, ko tajā ieguldījuši zinātnieki. Lielāko daļu pakalpojumu, kas darbojas uz mākslīgā intelekta pamata, joprojām atbalsta izstrādātāji, mēs varam runāt tikai par ļoti nelielu daļu no automatizēto iekārtu automatizācijas. Līdz šim mākslīgais intelekts tikai atkārto un atveido izglītojošu vai darba informāciju - jā, tas pārsteidz ar skaitļošanas jaudu un mācīšanās ātrumu, bet tas ir par to. Ir pāragri runāt par kaut ko līdzīgu cilvēka augstākai nervu aktivitātei. "Jā, un ne vienmēr," teica Larijs Nivens.

Atjaunināts 02.23.17: Facebook izlaida Proheta projektu - automātisku biznesa prognozēšanas rīku. Pravietis savām prognozēm izmanto papildu parametru regresijas analīzes modeļus.

Pamatojoties uz podcast ar Ian Goodfellow un Richard Mallah.

* "Ir prāti, kas domā savādāk." 15. Nivenas likums *. - "Ir prāti, kas domā tāpat kā jūs. Tikai citādi." 15 Nivenas likums.

Skatiet videoklipu: Ķīlis: nākotnē darbaspēku vairāk ietekmēs mākslīgais intelekts nekā imigrācija (Marts 2020).

Loading...

Atstājiet Savu Komentāru