AI, ML un dziļā izglītība: kāda ir atšķirība?

Kāpēc mašīnām jāmācās? Jo cilvēki nespēj neatpalikt.

Pašreizējais AI / ML uzplaukums ir sasniegums īpašā pieejā mācībām, dziļajai mācībai. Mākslīgais intelekts, mašīnmācība un dziļā izglītība ir atbildīgas par dažiem lielākajiem sasniegumiem pagājušajā gadā, un cilvēki šīs tehnoloģijas svin savstarpēji aizvietojot. Pēdējā laikā notiek tehnoloģiju konferences, kurās cilvēki, kas vēlas uzzināt vairāk par mākslīgo intelektu, mašīnmācīšanos un dziļo mācīšanos, it kā būtu viena un tā pati lieta. Katrai no šīm tehnoloģijām ir laba vēsture, taču mūsu motivācija ļauj vienkāršāk izsekot atšķirībām.

Simtiem cilvēku pulcējas, lai 2017. gadā apgūtu mašīnmācīšanos AI Frontiers Tensorflow darbnīcā.

Motivācijas atšķirība

Mašīnas mācās, jo cilvēkiem ir labākas lietas. Es pa pusei jokoju, bet tas ir labs sākums. Protams, ir vairāk tehnisko paņēmienu, kā AI, ML un Deep Learning ir saistīti.

Definīciju atšķirība

Mākslīgais intelekts ir inženierijas intelekts, kuru iedvesmo tas, ko mēs piedzīvojam kā cilvēki. Mācīšanās ir ne tikai tā aspekts, bet arī līdzeklis, kuru mēs paši izmantojam, lai sasniegtu lielāku inteliģenci. Mākslīgais intelekts ir rīks, savukārt mašīnmācīšanās ir rīka veidošanas veids. Dziļā apmācība ir mašīnmācīšanās veids, ko izmanto mākslīgā intelekta sasniegšanai. Vizuāli šeit ir mācību grāmatu diagramma par attiecībām starp AI, ML un dziļo mācīšanos.

http://www.deeplearningbook.org/

Ja kāds pajautā, ko nozīmē strādāt AI, es atbildētu: “Es strādāju pie tā, lai datori labāk darbotos, ko dara cilvēki.” Ja kāds prasa vienu veidu, kā sasniegt AI, es varētu atbildēt “ar mašīnmācīšanos”. vai “padziļināta mācīšanās”, lai būtu precīzāk.

Atšķirība vēsturē

Šo standartu, ka mašīnām ir labāka veiktspēja nekā cilvēkiem, slavenā veidā ieviesa Alans Tjūrings savā 1950. gada rakstā par skaitļošanas mašīnām un intelektu, tautā pazīstams kā Tjūringa tests (balstīts uz Imitācijas spēli). Tjūrings ierosina, ka mašīnas var izturēt pārbaudi ar diskrētiem kārtuliem un ierobežota stāvokļa mašīnām - tieši tā mūsdienās darbojas lielākā daļa datorprogrammu. Darba beigās viņš iztēlojas ideju par “mācību mašīnām”, kas ir sarežģītāka nekā domāšanas mašīnas. Turings vispirms jautāja: “Vai mašīnas var domāt?” Papīra beigās viņš jautā: “Vai mašīnu var padarīt par superkritisku?” Pirmais ir par to, vai mēs varam sasniegt AI. Pēdējais jautājums ir par to, vai mēs varam sasniegt ML.

ML ieviesa Alans Tjūrings 1950. gadā. 1952. gadā tika izveidota pirmā datoru apguves programma, lai apgūtu dambretes stratēģiju. Pirmais neironu tīkls tika izveidots 1957. gadā. Dziļā apmācība ir mākslīgo neironu tīklu tālāka attīstība, taču tā nosaukums netiek iegūts līdz 2006. gadam. Kopš 2010. gada mašīninformācijā ir panākts liels progress. Pašreizējais ML / AI uzplaukums galvenokārt ir saistīts ar progresu dziļajās mācībās.

Saskaņā ar Forbes teikto, šeit ir norādīti galvenie sasniegumi AI, ML un Deep Learning

Lai saprastu atšķirības starp AI, ML un dziļajām mācībām, vēl viens labs sākums ir izpratne par to, kāpēc mēs esam izveidojuši iekārtas, lai mācītos. Tā kā datori noteiktos uzdevumos kļūst tikpat labi kā (vai labāki nekā) cilvēki, mēs sasniedzam galvenos AI atskaites punktus. Mašīnmācīšanās daudzos gadījumos ir parādījusi, ka tas ir vēlamais veids, kā sasniegt šos mērķus.

Kāpēc mašīnas mācās

Viena no lielākajām Alans Tīringa priekšlikuma AI testēšanas kritikām ir arguments par Associative Priming (un to papildinošo kadru problēmu). Tā kā mēs iegūstam inteliģenci sarežģītības dēļ, tiek apgalvots, ka mašīnām šis process nav sasniedzams. Šo procesu sauc par mācīšanos, un datori tajā vēl nebija bijuši tik lieliski (līdz šim).

Ideja ir šāda: Cilvēki dzīves laikā veido noteiktas asociācijas, kuru jēdzieni ir dažāda stipruma. Faktiski vienīgais veids, kā mašīna varētu noteikt, pat vidēji visas cilvēka koncepciju asociācijas stiprās puses, ir piedzīvot pasauli tā, kā bija kandidātam uz cilvēku un intervējamajiem. (Franču valoda, 1990. gads)

Tā kā cilvēka pieredze ir sarežģīta un sarežģīta, ar kādu pedagoģiju mēs pārvēršam savu pieredzi mašīnām? Turings izvirzīja hipotēzi, ka mašīnām var nākties pašiem apgūt izpratni, ko mēs uzskatām par pašsaprotamu.

Svarīga mācību iekārtas iezīme ir tā, ka tās skolotājs bieži vien lielā mērā nezina, kas notiek iekšpusē, kaut arī viņš kaut kādā mērā tomēr var paredzēt sava skolēna izturēšanos. Tas visspēcīgāk jāpiemēro mašīnu vēlākai izglītībai, kas rodas no labi izmēģinātas konstrukcijas (vai programmas) bērnu mašīnas. Tas ir skaidri pretstatā parastajai procedūrai, kad mašīnu izmanto aprēķiniem, un viena objekta mērķis ir skaidri izprast mašīnas stāvokli katrā aprēķina brīdī. (Turing, 1950)

Mašīnas mācās, jo dažos nolūkos (pašlaik) priekšroka dodama datoriem, lai iemācītos izlūkdatus, nevis datoriem, lai tie būtu tieši inteliģenti. Tam var dot priekšroku, jo (1) iemācītas izlūkošanas izveidošanai vajadzīgs mazāk cilvēku pūļu (nekā izlūkošanas tiešai veidošanai); vai (2) tam var dot priekšroku, jo mašīna darbojas labāk, ja pati māca.

Praksē mašīnmācīšanās ir noderīga gadījumos, kad ir vajadzīgas precīzas prognozes. Spēlējiet spēli Divdesmit jautājumi. Sākotnēji tā tika spēlēta starp cilvēkiem. Lai kādu no tiem aizstātu ar mašīnu, mums vajadzētu, lai mašīna nedaudz atgādinātu cilvēka intelektu. Divdesmit jautājumiem mašīnmācīšanās nav vienīgais veids, kā sasniegt mākslīgo intelektu, bet, iespējams, tas ir labāks veids, kā parādīts zemāk.

(1) ML piemērs, kas prasa mazāk cilvēku piepūles:

Divās divdesmit jautājumu, 20Q un Akinator tīmekļa versijās, cilvēks tiek aizstāts ar programmu. Tātad, kā viņi aizstāja cilvēku? Tā vietā, lai kāds izveidotu informācijas datu bāzi visiem (visu laiku) sabiedriskajiem darbiniekiem, jūs varētu apmācīt programmu, lai iemācītos slavenu cilvēku īpašības, izmantojot cilvēkus, kuri atbild uz spēles jautājumiem. Tas ietaupa pūles to izdarīt šādā veidā.

(2) Piemērs ML, kas ļauj mašīnām darboties labāk

Neatkarīgi no tā, cik daudz pūļu tas ietaupa, Machine Learning var vienkārši darboties labāk nekā cita veida algoritmi. Sundars Pikhai nesenajā Google I / O pasākumā parādīja, ka attēla atpazīšanā datori ir pārsnieguši cilvēkus. Šis pagrieziena punkts tika ieskaitīts sasniegumos mašīnmācībā, īpaši dziļajā mācībā.

No Google IO Keynote 2017

Piemēri, kā ML atšķiras no AI

Kā redzams iepriekš redzamajā diagrammā, tagad datori (daudzējādā ziņā) ir labāki nekā cilvēki, lai prognozētu, identificētu un pārbaudītu attēlā redzamo. Zemāk ir izklaidējoša suņu kolāža, kas izskatās kā smalkmaizītes, bageļi un mopi. Kā mēs zinām atšķirību? Kā dators zina atšķirību? Lai tas būtu AI, nav svarīgi, kā dators spēj noteikt atšķirību, tikai tas, ka tas var. Lai tas būtu ML, datoram bija jābūt apmācītam un jāmāca pats atšķirība.

Izlūkošanas standarts vienmēr bija mūsu pašu intelekts un izturēšanās. Ja mēs korelētu savas spējas ar akadēmiskajām aktivitātēm AI un no tām izrietošajām tehnoloģijām, mēs secinātu, ka mācīšanās ir ne tikai prasme, ko cilvēkiem izdodas labi, bet arī veids, kā sasniegt prasmes.

Mācīšanās ir prasme, kas palīdz iegūt citas prasmes

Lai dators varētu pateikt atšķirību starp suņu un smalkmaizīšu attēliem, ir pierādīts, ka ML ir paveicis labāk nekā citas metodes. Tomēr ne visām attēlu parsēšanas problēmām ir nepieciešama ML. Piemēram, līniju noteikšanu attēlā var veikt, oficiāli identificējot pareizo pikseļu organizāciju bez ML. Tāpat autonomajiem transportlīdzekļiem nav nepieciešama mašīnmācība, lai atklātu tuvumā esošus objektus. Tas var vienkārši nodarbināt lidaru. Tic Tac Toe AI arī nav vajadzīgs ML, kā arī šaha spēle.

Tic Tac Toe kā meklēšanas problēma.

Konkrēti, ja problēmas var saistīt ar pārvaldāmu meklēšanas vietu (piemēram, iepriekš minēto Tic Tac Toe spēles koku), tad meklēšanas heiristika var palīdzēt atgriezt optimālu atbildi. Lai sniegtu vairāk mācību grāmatu piemēru, veiciet ceļa noteikšanu. A *, mantkārīgs pirmais dziļums vai labākais pirmais, ir labi zināms algoritms īsāko ceļu atrašanai no viena punkta uz otru. A * spējai paredzēt optimālos ceļus (parādīts zemāk) nav nepieciešama mašīnmācība.

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

Lai arī tiek apgalvots, ka šīs problēmas liedz būt inteliģenti nodarbēm (jo tās var atrisināt algoritmiski), ir arī mazliet tuvredzīgi diskreditēt visu AI vēsturi. Ja kaut kas ir, AI nākotne ir dažāda cilvēka virziena, formālu modeļu, meklēšanas heiristikas un mašīnmācības iniciatīva.

Kas ir dziļā izglītība?

Dziļā apmācība sniedz atbildes uz jautājumiem par to, kā mašīna var kaut ko iemācīties. Mašīnmācīšanās ir veids, kā mēs iemācījām datorus redzēt labāk nekā mēs (noteiktos veidos), taču ir vēl sarežģītāk, kā mašīna spēja iemācīt sevi redzēt. Tāpat kā cilvēkiem, arī datori var iemācīties dažādas pieejas (un tās, kas vēl nav atklātas). Pašreizējais AI / ML uzplaukums ir sasniegums īpašā pieejā mācībām, dziļajai mācībai.

Viena no vissīkākajām dziļās mācīšanās īpašībām no citiem AI veidiem ir tas, cik labi mēs (nesaprotam) saprotam aprēķinus, kas balstās uz pieņemtajiem lēmumiem un prognozēm. Piemēram, formālā loģika ir atgriezeniska. Ja A-> B-> C, varat šo loģiku modelēt ar roku. Dziļajai mācībai tiek izmantoti slēpti mākslīgo neironu slāņi, un tai nav šādu diskrētu, deterministisku vai izsekojamu darbību. Zemāk esošajā attēlā parādīta vienkāršota dziļo mācību ilustrācija.

Augšējā attēlā redzams dzīvnieks, kas traucē. Ja mēs gribētu paredzēt, vai tas ir kaķis vai suns, mūsu smadzenes (varbūt) parsētu matu garumu un galvas formu pret suni. Datorā attēla pikseļi ir secinājuma ievades slānis, starp ieejas slāni un izvadi ir slēpti aprēķināšanas slāņi, kas mēģina noteikt, kuras konkrētās pikseļu grupas varētu attēlot.

Fotoattēla pikseļi pēc savas būtības ir nestrukturēti. Kaut arī mūsu meklētās īpašības var formāli pamatot (piemēram, apmatojuma garumu vai dzīvnieka galvas formu), ir pierādījies, ka efektīvāk ir ļaut datoram izdomāt, ko nozīmē būt sunim, un izveidot savu modeli. Šie modeļi ir apmācīti, nosūtot daudzus suņu un kaķu fotoattēlus, lai dators varētu iepriekš mācīties.

Bet kā būtu, ja datos būtu vairāk struktūras? Ne visas problēmas ir saistītas ar nestrukturētiem datiem. Teiksim, ka mēs spēlējam spēli “Guess Who?”. Līdzīgi kā paredzot, vai grozā ir suns vai kaķis, Guess Who? ļauj spēlētājiem samazināt meklēšanas vietu, līdz viņi var precīzi paredzēt, kāds ir pretinieka izvēlētais attēls. Šajā gadījumā mēs varam izsekot loģikai, jo mums ir diskrētas īpašības / īpašības, ar kurām strādāt. Šī iemesla dēļ jums nebūs nepieciešama padziļināta apmācība, lai iemācītu mašīnu, lai uzvarētu šajā spēlē.

Galda spēles spēles Guess Who? Tiešsaistes versijas Akinator un 20Q ir lieliski AI piemēri, kas izveidoti, izmantojot Machine Learning, bet ne vienmēr Dziļās mācības. Akinator formāli var modelēt ar roku, taču tikpat labi viņš mācījās, spēlējot atkal un atkal.

Šahu un Tic Tac Toe var spēlēt ar datoru, ievērojot noteikumus un stāvokļus, kuri ir kodēti. Akinator un 20Q ir efektīvāk apmācīti ar spēles palīdzību. Spēles, piemēram, Go un Starcraft, atšķirīgas ir tas, ka tām ir daudz lielākas meklēšanas vietas, stāvokļi un stratēģijas. Un līdz brīdim, kad mūsu mašīnas kļūs pietiekami jaudīgas, lai kartētu visas šīs spēles, mēs paļaujamies uz dziļo mācīšanos.

Piemēru kopsavilkums

Šeit ir piemēru kopsavilkums un tas, kā uz tiem atsaucas diskusijā

Kā “sekot līdzi Joneses”

Tātad, kur, ja vispār, mašīnmācība iederas jūsu dzīvē? Laba vieta, kur sākt, ir vietas, kur notiek AI demokratizācija. Google nesen paziņoja par Google.ai, kas ML telpu sadala trīs kategorijās: Pētniecība, Rīki un infrastruktūra un Lietojumprogramma. Pētniecībā jūs strādājat pie veidiem, kā labāk izgudrot AI. Rīkos varat atrast veidus, kā padarīt AI efektīvu. Visbeidzot, lietojumprogrammā jūs strādājat pie AI izmantošanas prakses un veidiem. Tādu uzņēmumu kā Google mērķis ir padarīt ML pieejamu simtiem tūkstošu izstrādātāju, kur AI izmanto ikdienas cilvēki.

www.google.ai

(Ja jūs tiešām interesē AI darbība, šeit ir pētījuma dokuments par autoritāro sviras efektu.)