Video: AI Pioneer Panel with Yoshua Bengio, Yann LeCun & Geoffrey Hinton (Full Keynote) (Lapkritis 2024)
Anksčiau šį mėnesį vykusiame seminare apie AI ir darbo ateitį Yann LeCun, „AI Research“ „Facebook“ direktorius ir NYU duomenų mokslo centro įkūrėjas, kalbėjo apie „gilaus mokymosi galią ir ribas“. „LeCun“, pradėjęs konvoliucinius neuroninius tinklus, kurie yra daugelio pastarojo meto AI pasiekimų pagrindas, entuziastingai vertino pastaraisiais metais padarytą pažangą ir realiai suprato, ką tokios sistemos gali ir ko negali.
LeCun teigė, kad, nors dabartinė banga yra nukreipta į gilų mokymąsi, AI yra daug kartų ir pažymėjo, kad dabartinė banga yra „suvokimas“, o didžiausi pavyzdžiai yra tokios programos kaip medicininis vaizdavimas ir savarankiškai važiuojantys automobiliai. Beveik visose šiose programose naudojamas prižiūrimas mokymasis ir dažniausiai naudojami konvoliuciniai neuroniniai tinklai, kuriuos „LeCun“ pirmą kartą aprašė 1989 m. Ir kurie pirmą kartą buvo panaudoti simbolių atpažinimui bankomatuose 1995 m. LeCun teigė, kad tokių tinklų patentas baigėsi 2007 m.
Didžiausi duomenų rinkiniai, turintys didelius imčių dydžius, taip pat nepaprastai padidėję skaičiavimo pajėgumai (kuriuos padėjo Geoffrey Hinton darbas sugalvoti, kaip naudoti GPU vaizdo atpažinimui), kurie pastaraisiais metais pakeitė daugiausia. Net „LeCun“ vaizdo atpažinimo pažanga buvo „ne mažiau nei nuostabi“. Nors suvokimas „iš tikrųjų veikia“, vis dar trūksta samprotavimo.
„LeCun“ kalbėjo apie tris skirtingus požiūrio tipus ir kiekvieno iš jų trūkumus. Norint mokytis sustiprinimo, reikia daugybės pavyzdžių. Tai puikiai tinka žaidimams, nes sistema gali atlikti milijonus bandymų ir tobulėti, tačiau realiame pasaulyje ja naudotis sunku, nes, pavyzdžiui, nenorite nuvažiuoti mašina nuo uolos, pavyzdžiui, 50 milijonų kartų, ir realusis laikas yra realaus pasaulio veiksnys.
Prižiūrimas mokymasis, kuris yra dažniausiai tai, ką matome dabar, reikalauja vidutinio grįžtamojo ryšio ir gerai veikia. Tačiau prižiūrimas mašinų mokymasis turi tam tikrų problemų. LeCun teigė, kad tokios sistemos atspindi šališkumą duomenyse, nors, jo teigimu, jis yra nusiteikęs optimistiškai, kad šią problemą galima įveikti, ir mano, kad lengviau pašalinti mašinų šališkumą, palyginti su žmonėmis. Tačiau taip pat sunku patikrinti tokių sistemų patikimumą ir sunku paaiškinti sprendimus, priimtus remiantis tokių sistemų rezultatais, o „LeCun“ apie paskolos paraiškas kalbėjo kaip apie tai pavyzdį.
Neprižiūrimas arba numatomas mokymasis, kuris šiuo metu tiriamas tokiems dalykams kaip būsimų kadrų numatymas vaizdo įraše, reikalauja daug atsiliepimų. Neprižiūrimas mokymasis apima praeities, dabarties ar ateities numatymą iš turimos informacijos arba, kitaip tariant, gebėjimą užpildyti blankus, kuriuos, pasak LeCun, iš tikrųjų vadiname sveiku protu. Jis pažymėjo, kad kūdikiai tai gali padaryti, tačiau priversti mašinas tai padaryti buvo labai sunku, ir papasakojo apie tai, kaip tyrėjai dirba tokiais metodais kaip generatyvusis varžovų tinklas (GAN) prognozėms, padarytoms neapibrėžtomis sąlygomis. Mes toli gražu neturime visiško sprendimo, sakė jis.
„LeCun“ kalbėjo apie tris mokymosi tipus kaip torto dalis: mokymasis sustiprinti yra vyšnia viršuje, prižiūrimas mokymasis apledėjimo, o numatomasis mokymasis yra pagrindinė torto dalis.
„LeCun“ prognozuojamas AI pakeis tai, kaip vertinami dalykai, nes robotams pagamintos prekės kainuoja mažiau, o autentiškos žmonių patirtys kainuoja brangiau, ir sakė, kad tai gali reikšti, jog džiazo muzikantams ir amatininkams yra šviesi ateitis.
Apskritai, „LeCun“ teigė, kad AI yra bendrosios paskirties technologija (GPT), pavyzdžiui, garo variklis, elektra ar kompiuteris. Iš esmės tai turės įtakos daugeliui ekonomikos sričių, tačiau prireiks 10 ar 20 metų, kol pamatysime poveikį našumui. LeCun teigė, kad AI pakeis darbą, tačiau pažymėjo, kad technologijos diegimą riboja tai, kaip greitai darbuotojai gali ją treniruotis.
Kalbant apie „tikrąją PG revoliuciją“, „LeCun“ teigė, kad tai neįvyks, kol mašinos neįgis sveiko proto, ir nustatyti principus, kaip tai sukurti, gali užtrukti dvejus, penkerius, dvidešimt ar daugiau metų; be to, prireiks keleto metų, kad būtų sukurta praktinė PG technologija, pagrįsta tais principais. Galų gale, pažymėjo jis, prireikė dvidešimties metų, kad konvoliuciniai tinklai taptų svarbūs. Ir viskas paremta prielaida, kad principai yra paprasti; jis tampa daug sudėtingesnis, jei „intelektas yra užuomina“.
