Mi a gépi tanulás?

2017 decemberében a DeepMind, a Google által 2014-ben megvásárolt kutatólaboratórium bemutatta az AlphaZero-t, egy mesterséges intelligencia programot, amely több társasjátékban legyőzheti a világbajnokokat.

Érdekes módon az AlphaZero nulla utasítást kapott az emberektől, hogyan kell játszani a játékot (innen a nevét). Ehelyett gépi tanulást használt, az AI egyik ágát, amely kifejezetten parancsok helyett tapasztalat révén fejleszti viselkedését.

Az AlphaZero 24 órán belül emberfeletti teljesítményt ért el a sakkban és legyőzte az előző világbajnoki sakkprogramot. Röviddel ezután az AlphaZero gépi tanulási algoritmusa elsajátította a Shogi-t (japán sakk) és a kínai társasjáték Go-t is, és az elődjét, az AlphaGo-t 100-ra nullára győzte le.

A gépi tanulás az utóbbi években népszerűvé vált, és segíti a számítógépeket a korábban az emberi intelligencia kizárólagos területének tartott problémák megoldásában. És bár ez még messze van a mesterséges intelligencia eredeti víziójától, a gépi tanulás sokkal közelebb hozott minket a gondolkodógépek létrehozásának végső céljához.

Mi a különbség a mesterséges intelligencia és a gépi tanulás között?

A mesterséges intelligencia fejlesztésének hagyományos megközelítései során az AI-ügynök viselkedését meghatározó szabályokat és ismereteket aprólékosan kell kódolni. Szabályalapú AI létrehozásakor a fejlesztőknek utasításokat kell írniuk, amelyek meghatározzák, hogyan kell az AI-nek viselkednie minden lehetséges helyzetre reagálva. Ez a szabályalapú megközelítés, más néven a régimódi AI (GOFAI) vagy a szimbolikus AI, megpróbálja utánozni az emberi elme érvelési és tudásmegjelenítő funkcióit.

A szimbolikus AI tökéletes példája a Stockfish, a rangsorban legfontosabb, nyílt forrású sakkmotor, amely több mint 10 éve áll fenn. Programozók és sakkozók százai hozzájárultak a Stockfish-hez, és a logikájának fejlesztésében segítették szabályainak kódolása révén - például mit kell tenni az AI-nek, amikor az ellenfél lovagját B1-ről C3-ra mozgatja.

De a szabályalapú AI gyakran megszakad, amikor olyan helyzetekkel foglalkozunk, ahol a szabályok túl bonyolultak és közvetettek. A beszéd és a képeken lévő objektumok felismerése például olyan fejlett műveletek, amelyeket nem lehet logikai szabályokkal kifejezni.

A szimbolikus AI-vel ellentétben a gépi tanulású AI modelleket nem szabályok írásával, hanem példák gyűjtésével fejlesztették ki. Például egy gépi tanuláson alapuló sakkmotor létrehozásához a fejlesztő létrehoz egy alap-algoritmust, majd "kiképezi" azt a korábban játszott sakkjátékok ezreivel. Az adatok elemzésével az AI közös mintákat talál, amelyek meghatározzák a nyerési stratégiákat, és amelyek segítségével valódi ellenfelek legyőzhetők.

Minél több játékot néz ki az AI, annál jobb lesz a játék közbeni győztes lépések előrejelzése. Ez az oka annak, hogy a gépi tanulást olyan programnak tekintik, amelynek teljesítménye a tapasztalatokkal javul.

A gépi tanulás számos valós feladatban alkalmazható, ideértve a kép osztályozást, a hangfelismerést, a tartalom-ajánlást, a csalások észlelését és a természetes nyelv feldolgozását.

Felügyelt és felügyelet nélküli tanulás

Attól függően, hogy milyen problémát akarnak megoldani, a fejlesztők releváns adatokat készítenek a gépi tanulási modell felépítéséhez. Például, ha gépi tanulást szeretnének használni a csaló banki tranzakciók felismerésére, a fejlesztők összeállítják a létező tranzakciók listáját, és megjelölik azokat eredményükkel (csaló vagy érvényes). Amikor az adatokat az algoritmusba továbbítják, az elválasztja a hamis és érvényes tranzakciókat, és megtalálja a közös jellemzőket a két osztályon belül. A jelölt adatokkal ellátott modellek folyamatát "felügyelt tanulásnak" nevezzük, és jelenleg a gépi tanulás domináns formája.

Számos online tárház létezik különféle feladatokhoz címkézett adatokkal. Néhány népszerű példa az ImageNet, több mint 14 millió címkével ellátott nyílt forrású adatkészlet, és az MNIST, amely 60 000 címkével ellátott, kézzel írott számjegyből áll. A gépi tanulás fejlesztői olyan platformokat is használnak, mint például az Amazon's Mechanical Turk, egy online igény szerinti bérleti központ olyan kognitív feladatok elvégzésére, mint például a képek és audio minták címkézése. És a kezdő vállalkozások egyre növekvő ágazata specializálódott az adatgyűjtés területén.

De nem minden probléma igényel címkézett adatokat. Néhány gépi tanulási problémát "felügyelet nélküli tanulással" lehet megoldani, ahol nyers adatokat szolgáltat az AI modellnek, és hagyja, hogy saját magának kitalálja, mely minták relevánsak.

A felügyelet nélküli tanulás általános használata a rendellenességek felderítése. Például egy gépi tanulási algoritmus képes kiképezni az internethez csatlakoztatott eszköz nyers hálózati forgalmi adatait - mondjuk egy intelligens hűtőszekrényt. Az edzés után az AI megteremti az eszköz kiindulópontját és megjelölheti a külsõ viselkedést. Ha az eszköz rosszindulatú programokkal megfertőződik, és megkezdi a kommunikációt a rosszindulatú szerverekkel, akkor a gépi tanulási modell képes felismerni azt, mivel a hálózati forgalom eltér az edzés során megfigyelt normál viselkedéstől.

Erősítő tanulás

Mostanra valószínűleg tudja, hogy a minőségi képzési adatok óriási szerepet játszanak a gépi tanulási modellek hatékonyságában. A megerősítéses tanulás azonban a gépi tanulás speciális típusa, amelyben az AI magatartása fejleszti korábbi adatok felhasználása nélkül.

A megerősítés-tanulási modellek tiszta palaval kezdődnek. Csak a környezetük alapvető szabályaival és a feladattal kapcsolatos utasításokat kapnak. Kísérleteken és hibákon keresztül megtanulják, hogy optimalizálják tevékenységüket a céljaikhoz.

A DeepMind AlphaZero érdekes példa a megerősítő tanulásra. Más gépi tanulási modellekkel ellentétben, amelyeknek látniuk kell, hogy az emberek sakkot játsszanak, és tőlük tanulni, az AlphaZero csak a darabok mozgatásának és a játék nyerési feltételeinek ismeretében kezdett. Ezután milliónyi mérkőzést játszott maga ellen, véletlenszerű tevékenységekkel kezdve és fokozatosan kialakítva a viselkedési mintákat.

A megerősítéses tanulás forró kutatási terület. Ez az AI modellek kifejlesztésének fő technológiája, amely képes bonyolult játékok, mint például a Dota 2 és a StarCraft 2 elsajátítására, és valós problémák megoldására is használható, például adatközponti erőforrások kezelése és robot kéz létrehozása, amely emberi jellegű ügyességgel képes tárgyakat kezelni..

Mély tanulás

A mély tanulás a gépi tanulás egy népszerű részhalmaza. Mesterséges ideghálózatokat, szoftverkonstrukciókat használ, amelyeket nagyjából az emberi agy biológiai szerkezete ihlette.

A neurális hálózatok kiválóan kezelik a nem strukturált adatokat, például képeket, video-, audio- és hosszú szövegrészleteket, például cikkeket és kutatási dolgokat. A mélyreható tanulás előtt a gépi tanulás szakértőinek sok erőfeszítést kellett tenniük a képek és videók funkcióinak kinyerésére, és ezen felül az algoritmusaikat is futtatniuk. A neurális hálózatok automatikusan észlelik ezeket a funkciókat anélkül, hogy az emberi mérnökök sok erőfeszítést igényelnének.

A mély tanulás számos modern AI technológia mögött van, mint például a sofőr nélküli autók, a fejlett fordítórendszerek és az arcfelismerő technika az iPhone X-ben.

A gépi tanulás korlátai

Az emberek gyakran összekeverik a gépi tanulást az emberi szintű mesterséges intelligenciával, és egyes vállalatok marketing osztályai szándékosan felváltva használják a kifejezéseket. De míg a gépi tanulás nagy lépéseket tett a komplex problémák megoldása felé, még mindig nagyon messze van az AI úttörőinek látomásában álló gondolkodó gépek létrehozásától.

A tapasztalatokból való tanulás mellett az igazi intelligencia érvelést, józan észt és absztrakt gondolkodást igényel - olyan területeken, ahol a gépi tanulási modellek nagyon rosszul teljesítenek.

Például, míg a gépi tanulás jó olyan bonyolult mintázatfelismerési feladatoknál, mint például a mellrák előrejelzése öt évvel korábban, egyszerűbb logikai és érvelési feladatokkal küzd, mint például a középiskolai matematikai problémák megoldása.

A gépi tanulásnak az érvelési képesség hiánya miatt nem tudjuk általánosítani tudását. Például egy olyan gépi tanulási ügynök, amely képes a Super Mario 3-at játszani, mint egy profi, nem uralja a másik platformjátékot, mint például a Mega Man, vagy akár a Super Mario másik változatát. Ezt a semmiből kell képezni.

Anélkül, hogy hatalma lenne a fogalmi ismereteknek a tapasztalatból való kinyerésére, a gépi tanulási modellek rengeteg képzési adathoz szükségesek. Sajnos sok domain nem rendelkezik elegendő képzési adattal, vagy nincs pénze ahhoz, hogy többet szerezzen. A mély tanulás, amely manapság a gépi tanulás leggyakoribb formája, szintén magyarázhatósági problémától szenved: a neurális hálózatok bonyolult módon működnek, és még az alkotók is küzdenek a döntéshozatali folyamatuk követése érdekében. Ez megnehezíti az ideghálózatok erejének felhasználását olyan beállításokban, ahol törvényi követelmény az AI döntéseinek magyarázata.

Szerencsére erőfeszítéseket tesznek a gépi tanulás korlátjainak átlépésére. Figyelemre méltó példa a DARPA, a Védelmi Minisztérium kutatási ágának széles körű kezdeményezése, hogy magyarázható AI modelleket hozzon létre.

• Mi az a mesterséges intelligencia (AI)? Mi az a mesterséges intelligencia (AI)?
• A legtöbb AI dollár megy a gépi tanulásra. A legtöbb AI dollár megy a gépi tanulásra
• Hogyan szeretné látni, hogy az AI használt? Hogyan szeretné látni, hogy az AI használt?

Más projektek célja, hogy csökkentsék a gépi tanulás túlzott mértékű támaszkodását a megjegyzett adatokkal, és a technológiát hozzáférhetővé tegyék a korlátozott képzési adatokkal rendelkező területeken. Az IBM és a MIT kutatói nemrégiben léptek be a területre a szimbolikus AI és az ideghálózatok kombinálásával. A hibrid AI modellek kevesebb adatot igényelnek a képzéshez, és lépésről lépésre magyarázhatják döntéseiket.

Látni kell még, hogy a gépi tanulás fejlődése végül segít-e elérni az emberi szintű AI létrehozásának állandóan megkísérelhetetlen célját. De amit biztosan tudunk, az a következõ, hogy a gépi tanulás fejlõdik, az íróasztalon ülő és a zsebünkben pihenõ eszközök minden nap okosabbak.