Kas yra mašinų mokymasis?

2017 m. Gruodžio mėn. „DeepMind“, 2014 m. Įsigyta „Google“ tyrimų laboratorija, pristatė dirbtinio intelekto programą „AlphaZero“, galinčią nugalėti pasaulio čempionus keliuose stalo žaidimuose.

Įdomu tai, kad „AlphaZero“ iš žmonių gavo nulines instrukcijas, kaip žaisti žaidimus (taigi ir pavadinimą). Vietoj to, jis naudojo mašininį mokymąsi, AI šaką, kuriančią savo elgesį per patirtį, o ne aiškias komandas.

Per 24 valandas „AlphaZero“ pasiekė superžmogišką šachmatų žaidimą ir įveikė ankstesnę pasaulio čempiono šachmatų programą. Neilgai trukus „AlphaZero“ mašininio mokymosi algoritmas taip pat įsisavino Shogi (Japonijos šachmatai) ir Kinijos stalo žaidimą „Go“, ir jis 100 kartų nulį įveikė savo pirmtaką „AlphaGo“.

Pastaraisiais metais populiarėja mašinų mokymasis ir jis padeda kompiuteriams išspręsti problemas, kurios anksčiau buvo laikomos išskirtinėmis žmogaus intelekto sritimis. Ir nors tai dar labai nutolusi nuo pirminės dirbtinio intelekto vizijos, mašinų mokymasis priartino mus prie galutinio tikslo - mąstymo mašinų kūrimo.

Kuo skiriasi dirbtinis intelektas ir mašinų mokymasis?

Tradiciniai dirbtinio intelekto ugdymo metodai apima kruopštų visų taisyklių ir žinių, apibrėžiančių AI agento elgesį, kodavimą. Kurdami taisyklėmis pagrįstą AI, kūrėjai turi parašyti instrukcijas, kuriose nurodoma, kaip AI turėtų elgtis reaguodama į visas įmanomas situacijas. Šis taisyklėmis pagrįstas požiūris, dar žinomas kaip senamadiškas AI (GOFAI) arba simbolinis AI, bando imituoti žmogaus proto samprotavimo ir žinių pateikimo funkcijas.

Puikus simbolinės PG pavyzdys yra „Stockfish“, aukščiausio rango, atvirojo kodo šachmatų variklis, gaminantis daugiau nei 10 metų. Šimtai programuotojų ir šachmatininkų prisidėjo prie „Stockfish“ kūrimo ir padėjo vystyti jos logiką, koduodami jos taisykles, pavyzdžiui, ką PG turėtų daryti, kai priešininkas perkelia savo riterį iš B1 į C3.

Tačiau taisyklėmis pagrįsta AI dažnai nutrūksta, kai susiduriama su situacijomis, kai taisyklės yra pernelyg sudėtingos ir netiesioginės. Pavyzdžiui, kalbos ir objektų atpažinimas vaizduose yra išplėstinės operacijos, kurių negalima išreikšti loginėmis taisyklėmis.

Priešingai nei simbolinė PG, mašininio mokymosi PG modeliai kuriami ne rašant taisykles, o renkant pavyzdžius. Pavyzdžiui, norėdamas sukurti mašininiu mokymu pagrįstą šachmatų variklį, kūrėjas sukuria bazinį algoritmą ir „treniruoja“ jį naudodamas duomenis iš tūkstančių anksčiau žaidžiamų šachmatų žaidimų. Analizuodamas duomenis, AI randa bendrų modelių, apibrėžiančių laimėjimo strategijas, kurias ji gali panaudoti nugalėdama tikrus priešininkus.

Kuo daugiau žaidimų peržiūri AI, tuo geriau tampa numatant laimėti judesius žaidimo metu. Štai kodėl mašininis mokymasis apibrėžiamas kaip programa, kurios našumas gerėja kartu su patirtimi.

Mašinų mokymasis yra pritaikomas daugeliui realaus pasaulio užduočių, įskaitant vaizdų klasifikavimą, balso atpažinimą, turinio rekomendacijas, sukčiavimo nustatymą ir natūralios kalbos apdorojimą.

Privalomas ir neprižiūrimas mokymasis

Atsižvelgiant į problemą, kurią jie nori išspręsti, kūrėjai paruošia reikiamus duomenis, kad sukurtų savo kompiuterinio mokymosi modelį. Pavyzdžiui, jei kūrėjai norėtų pasitelkti automatinį mokymąsi aptikti nesąžiningas banko operacijas, kūrėjai sudarys esamų operacijų sąrašą ir pažymės juos rezultatais (apgaulingais ar galiojančiais). Kai jie pateikia duomenis pagal algoritmą, jis atskiria nesąžiningas ir galiojančias operacijas ir nustato abi šių klasių bendras charakteristikas. Mokymo modelių su anotuojamais duomenimis procesas vadinamas „prižiūrimu mokymu“ ir šiuo metu yra vyraujanti mašininio mokymosi forma.

Jau yra daug internetinių duomenų saugyklų, kuriose pažymimi duomenys apie skirtingas užduotis. Kai kurie populiarūs pavyzdžiai yra „ImageNet“, atvirojo kodo duomenų rinkinys, kuriame yra daugiau nei 14 milijonų žymimų vaizdų, ir „MNIST“ - duomenų rinkinys, kuriame yra 60 000 etikečių, pažymėtų ranka. Kompiuterinio mokymosi kūrėjai taip pat naudoja tokias platformas kaip „Amazon's Mechanical Turk“ - internetinį nuomos centrą pagal pareikalavimą, atliekant pažintines užduotis, tokias kaip vaizdų ir garso pavyzdžių žymėjimas. Didėjantis pradedančių įmonių sektorius specializuojasi duomenų anotavime.

Tačiau ne visoms problemoms reikia etikečių duomenų. Kai kurias mašininio mokymosi problemas galima išspręsti per „neprižiūrimą mokymąsi“, kai jūs pateikiate AI modelį su neapdorotais duomenimis ir leidžiate sau išsiaiškinti, kokie modeliai yra svarbūs.

Dažnas neprižiūrimo mokymosi būdas yra anomalijos nustatymas. Pvz., Kompiuterinio mokymosi algoritmas gali treniruotis naudojant neapdorotus prie interneto prijungto įrenginio tinklo srauto duomenis, tarkime, išmanųjį šaldytuvą. Po treniruotės AI nustato prietaiso pradinę padėtį ir gali pažymėti pašalinį elgesį. Jei įrenginys užkrėstas kenkėjiška programine įranga ir pradeda bendrauti su kenkėjiškais serveriais, mašininio mokymosi modelis galės jį aptikti, nes tinklo srautas skiriasi nuo įprasto elgesio, stebimo mokymo metu.

Armatūros mokymasis

Iki šiol tikriausiai žinote, kad kokybiški mokymo duomenys vaidina didžiulį vaidmenį mašininio mokymosi modelių efektyvume. Tačiau mokymasis sustiprinti yra specializuotas mašininio mokymosi tipas, kurio metu AI ugdo savo elgesį nenaudodama ankstesnių duomenų.

Stiprinimo mokymosi modeliai prasideda švariu šiferiu. Jie mokomi tik pagal pagrindines savo aplinkos taisykles ir užduotis. Bandydami ir klaidodami, jie išmoksta optimizuoti savo veiksmus siekdami tikslų.

„DeepMind“ „AlphaZero“ yra įdomus sustiprinimo mokymosi pavyzdys. Priešingai nei kiti mašininio mokymosi modeliai, kurie turi pamatyti, kaip žmonės žaidžia šachmatais, ir iš jų mokytis, „AlphaZero“ pradėjo žinoti tik apie gabalų judesius ir žaidimo laimėjimo sąlygas. Po to jis sužaidė milijonus mačų prieš save, pradedant atsitiktiniais veiksmais ir palaipsniui plėtojant elgesio modelius.

Mokymasis sustiprinti yra karšta tyrimų sritis. Tai pagrindinė technologija, naudojama kuriant AI modelius, galinčius įsisavinti sudėtingus žaidimus, tokius kaip „Dota 2“ ir „StarCraft 2“, taip pat naudojama realaus gyvenimo problemoms, tokioms kaip duomenų centro išteklių valdymas ir robotų rankų, galinčių valdyti daiktus, turinčius žmogaus sugebėjimą, sukurti.

Gilus mokymasis

Gilus mokymasis yra dar vienas populiarus mašininio mokymosi pogrupis. Tam naudojami dirbtiniai neuroniniai tinklai, programinės įrangos konstrukcijos, kurias maždaug įkvepia biologinė žmogaus smegenų struktūra.

Neuroniniai tinklai ypač gerai apdoroja nestruktūrizuotus duomenis, tokius kaip vaizdai, vaizdo įrašai, garso įrašai ir ilgos teksto ištraukos, tokios kaip straipsniai ir mokslo darbai. Prieš giluminį mokymąsi, mašininio mokymosi ekspertai turėjo įdėti daug pastangų, kad išgautų ypatybes iš vaizdų ir vaizdo įrašų, ir naudotų savo algoritmus. Neuroniniai tinklai automatiškai nustato šias savybes, nereikalaudami daug inžinierių pastangų.

Gilus mokymasis yra už daugelio šiuolaikinių AI technologijų, tokių kaip automobiliai be vairuotojo, pažangios vertimo sistemos ir veido atpažinimo technika jūsų „iPhone X“.

Mašinų mokymosi ribos

Žmonės dažnai painioja mašinų mokymąsi su žmogaus lygio dirbtiniu intelektu, o kai kurių kompanijų rinkodaros skyriai sąmoningai vartoja terminus. Tačiau nors mašinų mokymasis žengė didelius žingsnius sprendžiant sudėtingas problemas, vis dar yra labai toli nuo mąstymo mašinų, kurias įsivaizduoja AI pradininkai, sukūrimo.

Tikrajam intelektui reikia mokytis ne iš patirties, o pagrįstumo, sveiko proto ir abstraktaus mąstymo - sričių, kuriose mašininio mokymosi modeliai veikia labai prastai.

Pavyzdžiui, nors kompiuterinis mokymasis yra sudėtingas atliekant sudėtingas modelio atpažinimo užduotis, pavyzdžiui, numatant krūties vėžį prieš penkerius metus, jis susiduria su paprastesne logika ir argumentavimo užduotimis, tokiomis kaip vidurinių mokyklų matematikos problemų sprendimas.

Dėl nepakankamo motyvavimo gebėjimo mokytis kompiuteriu sunku apibendrinti savo žinias. Pavyzdžiui, mašinų mokymosi agentas, galintis žaisti „Super Mario 3“ kaip profesionalas, nedominuos kitoje platformos žaidime, pavyzdžiui, „Mega Man“ ar net kitoje „Super Mario“ versijoje. Ją reiktų treniruotis nuo nulio.

Neturėdami jėgų iš patirties išgauti konceptualių žinių, kompiuterinio mokymo modeliams atlikti reikia daugybės mokymo duomenų. Deja, daugelyje sričių trūksta pakankamai duomenų apie mokymą arba jos neturi lėšų įsigyti daugiau. Gilus mokymasis, kuris dabar yra vyraujanti mašininio mokymosi forma, taip pat kenčia dėl aiškinamumo problemos: neuroniniai tinklai veikia sudėtingai, ir net jų kūrėjai stengiasi sekti savo sprendimų priėmimo procesus. Dėl to sunku naudoti neuroninių tinklų galią tokiose vietose, kur yra teisinis reikalavimas paaiškinti AI sprendimus.

Laimei, stengiamasi peržengti mašininio mokymosi ribas. Vienas pastebimas pavyzdys yra plačiai paplitusi Gynybos departamento tyrimų padalinio DARPA iniciatyva sukurti aiškinamus PG modelius.

• Kas yra dirbtinis intelektas (AI)? Kas yra dirbtinis intelektas (AI)?
• Dauguma AI dolerių eina į mašinų mokymąsi Dauguma AI dolerių eina į mašinų mokymąsi
• Kaip norite pamatyti AI naudotus? Kaip norite pamatyti AI naudotus?

Kitais projektais siekiama sumažinti perdėtą kompiuterinio mokymosi priklausomybę nuo anotuotų duomenų ir padaryti technologiją prieinamą toms sritims, kurių mokymo duomenys yra riboti. Neseniai IBM ir MIT tyrėjai įsibėgėjo šioje srityje, derindami simbolinę AI su neuroniniais tinklais. Hibridiniai PG modeliai reikalauja mažiau duomenų mokymui ir gali pateikti nuoseklų savo sprendimų paaiškinimą.

Dar reikia išsiaiškinti, ar mašininio mokymosi raida galiausiai padės mums pasiekti vis sunkiai pasiekiamą tikslą sukurti žmogaus lygio AI. Tačiau mes tikrai žinome, kad pažangių mašinų mokymosi dėka prietaisai, sėdintys ant mūsų stalų ir ilsintysis kišenėse, kasdien tampa vis intelektualūs.