Videó: Yann LeCun and Christopher Manning discuss Deep Learning and Innate Priors (November 2024)
A hónap elején az AI-vel és a munka jövőjével foglalkozó workshopon Yann LeCun, a Facebook AI Research igazgatója és a NYU Data Science Center alapító igazgatója beszélt a "mély tanulás hatalmáról és határairól". A LeCun, aki úttörő szerepet játszik az AI közelmúltbeli fejlődésének középpontjában álló konvolúciós ideghálózatokon, lelkesen üdvözölte a területen az utóbbi években elért előrelépéseket, és reálisan reagált arra, hogy az ilyen rendszerek mit tudnak és mit nem.
Az AI többszörös hullámai voltak, mondta LeCun, és megjegyezte, hogy míg a jelenlegi hullám a mélyreható tanulásra összpontosít, addig az „észlelés” érkezik, a legnagyobb példák az olyan alkalmazások, mint az orvosi képalkotás és az önvezető autók. Ezeknek az alkalmazásoknak szinte mindegyike felügyelt tanulást igényel, és a legtöbb konvolúciós ideghálózatot alkalmazza, amelyeket a LeCun először írt le 1989-ben, és amelyeket először karakterfelismerésben alkalmaztak az ATM-ekben 1995-ben. LeCun szerint az ilyen hálózatok szabadalma 2007-ben lejárt.
Az elmúlt években a legtöbb változást a nagy adathalmazok, a nagy méretű minták, valamint a számítástechnika hatalmas növekedése (Geoffrey Hinton munkájának elősegítése a GPU-k képalkotó felismerésében való kidolgozásában segítette) vezette a legnagyobb változáshoz. Még a LeCun számára is a képfelismerés terén elért haladás "nem kevesebb, mint meglepő". Bár az észlelés "valóban működik", az érvelés még mindig hiányzik.
A LeCun három különféle megközelítésről beszélt, és ezek mindegyikének korlátairól. A megerősítés tanulásához hatalmas számú minta szükséges. Nagyon jó a játékok számára, mivel a rendszer több millió próbaverziót képes futtatni, és egyre jobbá válik, ám a való világban ezt nehéz használni, mivel például nem akarja elvezetni egy autóval egy szikláról 50 milliószor, és A valós idő tényező a valós világban.
A felügyelt tanulás, amely a legtöbbünk, amit most látunk, közepes visszajelzést igényel, és jól működik. A felügyelt gépi tanulásnak azonban vannak bizonyos kérdései. LeCun szerint az ilyen rendszerek az adatok torzulásait tükrözik, bár optimista szerint ezt a problémát le lehet küzdeni, és úgy véli, hogy könnyebb eltávolítani az eltéréseket a gépekről, mint az emberek. Ugyanakkor nehéz ellenőrizni az ilyen rendszerek megbízhatóságát, és nehéz megmagyarázni az ilyen rendszerek kimenete alapján hozott döntéseket, és ennek példája a LeCun a hitelkérelmekről.
A felügyelet nélküli vagy prediktív tanulás, amelyet jelenleg olyan dolgokra kutatnak, mint például a videó jövőbeli kereteinek előrejelzése, sok visszajelzést igényel. A felügyelet nélküli tanulás magában foglalja a múlt, jelen vagy jövő előrejelzését bármilyen rendelkezésre álló információ alapján, vagyis más szavakkal a hiányos kitöltési képességet, amelyet LeCun szerint gyakorlatilag nevezzük a józan észnek. Megjegyezte, hogy a csecsemők ezt meg tudják tenni, de a gépek megszerzése nagyon nehéz volt, és beszélt arról, hogy a kutatók hogyan dolgoznak olyan technikákon, mint például a generatív ellenfél hálózatok (GAN) a bizonytalan körülmények között készített előrejelzésekhez. Messze vagyunk a teljes megoldástól - mondta.
A LeCun arról beszélt, hogy a tanulás három típusa olyan, mint egy torta része: az erősítő tanulás a cseresznye a tetején, a jegesedés tanulása felügyelt, és a prediktív tanulás a torta fő része.
A LeCun előrejelzése szerint az AI meg fogja változtatni a dolgok értékelését, mivel a robotok által készített áruk kevesebbet és az autentikus emberi élmények többet fizetnek, és azt mondta, hogy ez azt jelenti, hogy "fényes jövő van a jazz zenészek és kézművesek számára".
Összességében a LeCun szerint az AI általános célú technológia (GPT), mint például a gőzgép, a villamos energia vagy a számítógép. Mint ilyen, ez a gazdaság sok területét érinti, de 10 vagy 20 évbe telik, amíg a termelékenységre gyakorolt hatást észleljük. LeCun szerint az AI munkahelyettesítést fog eredményezni, de megjegyezte, hogy a technológia bevezetését korlátozza az, hogy a munkavállalók milyen gyorsan képesek felkészülni rá.
Ami az „igazi AI-forradalmat” illeti, LeCun azt mondta, hogy ez csak akkor fog megtörténni, amíg a gépek megszerezik a józan észt, és ennek felépítésének elveinek meghatározása két, öt, húsz vagy több évig is eltarthat; ezen túlmenően évekre lesz szükség az ezen alapelveken alapuló gyakorlati AI technológia kifejlesztéséhez. Végül is, hangsúlyozta, húsz évbe telt, amíg a konvolúciós hálózatok fontoskká váltak. És mindez arra a feltételezésre épül, hogy az alapelvek egyszerűek; sokkal bonyolultabbá válik, ha "az intelligencia kludge".
