4 ok, hogy ne kelljen félni a mély tanulástól (még) | ben dickson

2012-ben a torontói egyetemi tudósok egy csoportja áttörést végzett a kép-osztályozás során.

Az ImageNet-en, az éves mesterséges intelligencia (AI) versenyen, amelyen a versenyzők a lehető legpontosabb kép-osztályozási algoritmus létrehozására törekedtek, a torontói csapat bejelentette az AlexNet-et, amely "10, 8 százalékpontos különbséggel verte meg a terepet… 41 százalékkal jobb, mint a következő legjobb "- mondta Quartz.

A mély tanulás, a csapat által alkalmazott módszer, radikális javulást jelentett az AI korábbi megközelítéséhez képest, és bevezette az innováció új korszakát. Azóta megtalálta az utat az oktatásban, az egészségügyben, a kiberbiztonságban, a társasjátékokban és a fordításban, és milliárd dollárt gyűjtött be a Szilícium-völgy beruházásaiba.

Sokan dicsérték a mély tanulást és annak szuperkészletét, a gépi tanulást, mint korunk általános célú technológiáját, és mélyebbek, mint az elektromosság és a tűz. Mások azonban figyelmeztetik, hogy a mély tanulás minden feladatnál végül a legjobb ember lesz, és a végső munkagyilkos lesz. A mélyreható tanulás által táplált alkalmazások és szolgáltatások robbantása miatt visszatért az AI apokalipszisének félelme, amelyben a szuper intelligens számítógépek meghódítják a bolygót és az embereket rabszolgasághoz vagy kihaláshoz vezetik.

De a hype ellenére a mély tanulásnak vannak bizonyos hibái, amelyek megakadályozhatják bizonyos ígéreteinek teljesítését - mind pozitív, mind negatív.

A mély tanulás túl sok információra támaszkodik

A mély tanulást és a mély ideghálózatokat, amelyek képezik annak hátterét, gyakran összehasonlítják az emberi agygal. Elménk azonban nagyon kevés adatgal tanulhat fogalmakat és döntéseket hozhat; A mély tanulás rengeteg mintát igényel a legegyszerűbb feladat elvégzéséhez.

A mély tanulás lényege egy összetett technika, amely a bemeneteket a kimenetekhez térképezi fel a közös minták megkeresésével a címkézett adatokban és a tudás felhasználásával más adatminták kategorizálására. Adjon például egy mélyreható tanulási alkalmazásnak elegendő képet a macskákról, és ez képes lesz észlelni, hogy egy fotó tartalmaz-e macskát. Hasonlóképpen, ha egy mélyen tanuló algoritmus elegendő hangmintát vesz be a különböző szavakból és kifejezésekből, akkor képes felismerni és átírni a beszédet.

De ez a megközelítés csak akkor hatékony, ha nagyon sok minõségi adat van az algoritmusok táplálására. Ellenkező esetben a mélyen tanuló algoritmusok vad hibákat okozhatnak (például puska téves összetévesztése helikopterrel). Ha adatai nem inkluzívak és sokszínűek, a mélyreható algoritmusok még rasszista és szexista viselkedést mutattak ki.

Az adatokra való támaszkodás szintén központosítási problémát okoz. Mivel hatalmas mennyiségű adathoz férnek hozzá, olyan vállalatok, mint a Google és az Amazon, jobb helyzetben vannak, hogy rendkívül hatékony mélyreható alkalmazásokat fejlesszenek ki, mint a kevesebb erőforrással rendelkező induló vállalkozások. Az AI néhány társaságba történő központosítása akadályozhatja az innovációt, és túlságosan befolyásolhatja ezeket a vállalatokat a felhasználók felett.

A mély tanulás nem rugalmas

Az emberek megtanulhatják az elvont fogalmakat és alkalmazhatják azokat különféle helyzetekben. Folyamatosan ezt csináljuk. Például, amikor először játszik számítógépes játékot, például a Mario Bros játékot, akkor azonnal felhasználhatja a valós ismereteket - például a gödrökön való átugrás vagy a tüzes golyók elkerülésének szükségességét. Ezt követően a játék ismereteit felhasználhatja a Mario más verzióira, például a Super Mario Odyssey, vagy más hasonló mechanikájú játékokra, például Donkey Kong Country és Crash Bandicoot.

Az AI-alkalmazásoknak mindent meg kell tanulniuk a semmiből. Annak áttekintése, hogy egy mély tanulási algoritmus megtanulja a Mario játékot, megmutatja, hogy az AI tanulási folyamata mennyiben különbözik az emberekétől. Alapvetően nem kezd tudni a környezetéről, és fokozatosan megtanulja kölcsönhatásba lépni a különféle elemekkel. De a Mario játékából szerzett ismeretek csak az egyetlen játék szűk tartományát szolgálják fel, és nem továbbadhatók más játékokra, még a többi Mario játékra sem.

A fogalmi és elvont megértés hiánya fenntartja a mélyreható tanulási alkalmazásokat, korlátozott feladatokra összpontosítva, és megakadályozza az általános mesterséges intelligencia kialakulását, az olyan AI-t, amely olyan szellemi döntéseket hozhat, mint az emberek. Ez nem feltétlenül gyengeség; egyes szakértők szerint az általános AI létrehozása értelmetlen cél. De ez természetesen korlátozás az emberi agyhoz viszonyítva.

A mély tanulás átlátszatlan

A hagyományos szoftverekkel ellentétben, amelyekre a programozók meghatározzák a szabályokat, a mélytanulásos alkalmazások saját tesztelési adatok feldolgozása és elemzése révén hozzák létre saját szabályaikat. Következésképpen senki sem tudja igazán, hogyan következtetéseket és döntéseket hoz. Még a mélyen tanuló algoritmusok fejlesztői is gyakran zavarodnak saját alkotásaik eredményei miatt.

Ez az átláthatóság hiánya komoly akadályt jelenthet az AI és a mélyreható tanulás szempontjából, mivel a technológia megpróbálja megtalálni helyét olyan érzékeny területeken, mint például a betegek kezelése, a bűnüldözés és az önjáró autók. A mélyreható algoritmusok valószínűleg kevésbé hajlamosak a hibák elkövetésére, mint az emberek, de amikor hibákat követnek el, a hibák mögött meghúzódó okoknak magyarázatoknak kell lenniük. Ha nem tudjuk megérteni, hogyan működnek az AI alkalmazások, akkor nem tudjuk megbízni őket a kritikus feladatokkal.

A mély tanulás túlsúlyos lehet

A mély tanulás már számos területen bebizonyította, hogy érdemes, és továbbra is átalakítja a dolgunk módját. Hibái és korlátai ellenére a mély tanulás nem tett minket sikertelen. De elvárásainkat igazítani kell.

Amint az AI tudósa, Gary Marcus figyelmeztet, a technológia túlméretezése újabb "AI télhez" vezethet - olyan időszakban, amikor a túl magas elvárások és az alulteljesítés általános csalódáshoz és érdeklődés hiányához vezetnek.

Marcus azt sugallja, hogy a mély tanulás nem "univerzális oldószer, hanem egy eszköz a sok közül", ami azt jelenti, hogy miközben folytatjuk a mély tanulás által kínált lehetőségek feltárását, az AI alkalmazások létrehozásának más, alapvetően eltérő megközelítéseit is meg kell vizsgálnunk.

Még Geoffrey Hinton professzor, aki úttörője volt a mélyreható forradalom vezetésének, úgy véli, hogy valószínűleg teljesen új módszereket kell találni. "A jövő attól függ, hogy milyen végzős hallgatók vannak, akik mélyen gyanakvók minden, amit mondtam" - mondta az Axios-nak.