Анима Анандкумаре професор в Калифорнийския технологичен институт и директор на изследванията в
"Ситуацията с коронавируса показва, че хората са много по-напред от ИИ"
Как започна революцията на изкуствения интелект?От няколко десетилетия интереснооткрития в тази област. За човек няма нищо по-светско от разпознаването на изображения на екран. Но за AI това е изключително трудна задача, тъй като не се ражда с вече дадени способности за това. Учените бяха изправени пред задачата да „учат” мозъчния мозък да идентифицира какво вижда. В началото на изследването професор от Станфорд започва да заснема изображения, за да улесни компютъра да ги класифицира. Именно белязани снимки поставиха началото на дълбоката неврална научна революция.
Достигането на ново ниво на развитие на AI започна с включването на милиарди параметри в програмата, които ще й позволят да разпознава конкретен обект.Трудността на задачата е да се направи дълбока невронна мрежапри условията на инвариантност тя разпознава например куче независимо от разликата в стойката, цвета, породата и т.н. AI обучение означава, че по време на обработката на изображението редица слоеве на рамката се гледат в йерархичен ред. Така че на основното ниво се виждат само линии под различен ъгъл една спрямо друга. След това те се комбинират и съставят по-сложни форми, например лице на куче в цвят. Формата, цветът и други индивидуални характеристики вече се различават. Това беше етапът, когато се научихме да разделяме процеса на части, на нива, който се превърна в огромна стъпка напред.
По-нататъшното развитие изисква не само дълбоки невронни мрежи, но и огромна изчислителна мощност.През последните десетилетия видяхмезабавянето на растежа на възможностите на нашите компютри, като скоростите на изчисленията с една нишка вече не се удвояват. Но в същото време вече можем едновременно да изчисляваме операции, които са огромни по обем и сложност. Сегашното ниво на развитие на дълбоките мрежи доведе до факта, че милиарди процеси вече могат да се случват в тях едновременно. И целта им е само една: да определят какво е показано на снимката. Тази процедура се извършва с помощта на процеси на матрична анимация и други технологии. И тук, разбира се, всичко зависи от мощността на видеокартите.
До 2014 г. дълбоките невронни мрежи успяха да разпознаят изображения по-добре от хората, което означава, че днес те са станали още по-напреднали.Това се случи благодарение на комбинацията от трифактори: възможностите на етикетираните данни, гъвкавостта на съществуващите дълбоки невронни мрежови алгоритми и огромните възможности на компютрите. Има много страхотни примери за това какви висоти вече е постигнал мозъкът на машината, например дълбокото обучение с подсилване помогна на AI да победи човек в играта Go. Този играч беше един от най-добрите, но загуби. Освен това изкуственият интелект вече е способен да генерира толкова реалистични снимки на хора, че тази технология вече е преминала теста на Тюринг. Човек вече не може да разбере кой образ е реален и кой е създаден от машина. Това са чудесни примери за успех на AI, но напредъкът със сигурност няма да спре дотук.
Въпреки това има редица примери, при които AI не е в очакване.Да кажем ситуация, в която ключовият аспекте безопасност. От няколко десетилетия наблюдаваме нарастване на технологиите, използвани в автономните автомобили, но, за съжаление, липсата им на усъвършенстване все още води до инциденти. Освен това машината не може да замести човек, когато става въпрос за създаване и редактиране на съдържание. И настоящата ситуация с коронавируса показва, че хората са далеч пред ИИ.
Какво ще правим в бъдеще, развивайки изкуствен интелект и технологии на дълбоки невронни мрежи?В момента се развива активнороботика: например една компания има робот, който може да прави задни салта. Но той дори не може да се сравни с куче. Този робот е неудобен, постоянно пада, но животното, докато пада, се научава как да направи това или онова движение следващия път, без да падне. Но роботът не е способен на това, не е обучен. Това повдига въпроса, възможно ли е да се направи AI, който е готов да се учи и да решава проблеми сам?
„Разбирането на алгоритмите е извън нашите възможности.“
Алгоритъмът за изкуствен интелект е съвкупност от предварително заложена информация и много ясна задача.Ние определяме какви данни и предварителнотрябва да се използват зададените параметри, както и как да се осъществи процесът на вземане на решение. Създаването и поддържането на AI алгоритъм изисква огромни количества данни. Това е трудно, защото има все повече и повече данни, например при разпознаване на видео поток броят на разпознатите кадри е много голям. Етикетирането е проблематично, защото хората присвояват имена на милиони видеоклипове и следователно на обекти на екрана.
Що се отнася до предварително зададените параметри, тогава отново трябва да се справите с факта, че всичко се прави ръчно.Лесно е да заблудите AI в наши дни.Например, ако имаме знак стоп и поставим няколко блока върху него, тогава изкуственият интелект вече няма да разбере значението му. И кола, движеща се без помощ от водача, вече не разпознава този знак като призив за спиране. Нашият човешки интелект е напълно различен. Може би можем да прехвърлим начина си на мислене в компютър, но все още не сме успели да го направим. Що се отнася до указанията, заповедите и инструкциите, трябва да действаме много просто: даваме една задача - да разпознаем това, което е показано на тази снимка. Що се отнася до параметрите за оценка на успеха или неефективността на алгоритъма, тук сме много ограничени.
Понякога не можем да разберем колко успешен е настоящият алгоритъм, защото е извън нашето разбиране.Освен това има няколко проблема, свързани сфактът, че данните, с които разполагаме, са предимно за мъже със светла кожа. Поради тази причина AI погрешно идентифицира тъмнокожи жени. Има и други грешки при разпознаването на лица. Проблемът възниква, защото оценката на ефективността на изкуствения интелект е изключително ограничена. Не трябва да забравяме за парадигмата, която казва, че се нуждаем от огромни количества данни и всички те трябва да бъдат етикетирани. Предварително зададените параметри трябва да са ясни за алгоритъма, а самата задача трябва да е проста и логична.
Първо трябва да се уверите, че не е необходимо да маркирате данните.AI трябва да работи без човешка помощсамият компютър намира концепции, формира идеи и разбира характеристиките на определено изображение. Трудно е? Да, много, но хората го правят и то с лекота. Що се отнася до предварително зададените данни, тук трябва да създадем много ясни изображения, за да покажем какво е какво от данните, които „подаваме“ на системата. И тук можете да научите много от човешкия мозък. И накрая, задачите, които даваме на алгоритъма. AI трябва да бъде по-адаптивен, защото сега обучаваме системата си от нулата всеки път, но трябва да я направим така, че да може да се адаптира и променя, да изпълнява различни задачи. Така че сега се обучаваме да направим изкуствения интелект гъвкав.
Как да разберем, че има котка пред нас?
Ние разпознаваме котка, дори и да е размазана картина, защото мозъкът ни непрекъснато се опитва да придаде определена острота на размазаното изображение за по-нататъшен анализ.Има много теории и една от най-известнитеказва, че ние не само гледаме някакъв обект, но в същото време мозъкът избира опции за това какво може да бъде. Дълбоките невронни мрежи правят същото. Имаме априорни данни за това как трябва да изглежда котката. И ние се опитваме да съпоставим тази картина с идеята как изглеждат котките. Важно е да се разбере това по време на разработката, за да се осигури последователност на идентификацията на изображението.
Как можем да постигнем стабилност при идентифицирането на обекти от изкуствени мрежи?Това естествено се случва порадиповторяемост. Правим някаква външна снимка и я гледаме и сигналът отива в мозъка. Има и обратна връзка отгоре надолу. Използвайки информация за това как изглежда котката, мозъкът формира специфично възприятие. Как можем да направим тези сложни процеси в мозъка ни внедрени от AI? Необходимо е да се комбинира добър класификатор за понятието "котка", който ще "храни" невронната мрежа, с отличен генератор на тези изображения. В същото време ще се извърши класифицирането на понятието и обучението на невронната мрежа. Ще се получи обратна връзка за стандартни невронни мрежи. И тази връзка ще предостави възможност за получаване на генерална обратна връзка. С други думи, когато се опитва да обработи входящия сигнал, човек се опитва да маркира изображението. И тогава има обратна връзка, когато се опитваме да генерираме възприятие въз основа на това, което виждаме. Тези два процеса трябва да бъдат взаимосвързани.
Стандартната невронна мрежа по правило не може да разпознава размити картини, но нашият модел, благодарение на механизма за обратна връзка, прави изображенията по-ясни и след това може да ги разпознае.Виждаме, че такава схема се е доказалаефективност, така че можем да се вдъхновим от това как хората виждат, когато създават компютърно зрение. Въз основа на вече разработени модели можете да създадете по-усъвършенствани алгоритми, които ще имат висока производителност. Но ние също така се нуждаем от ефективна инфраструктура, която може да обработва процеси на AI в мащаб. Ние не работим с алгоритми индивидуално. Вземате някакви данни и трябва да ги визуализирате, което е много сложен процес. Следователно ви е необходим мощен процесор, способен да обработва внушителни количества информация. В допълнение, ние използваме определени рамки (CLARA) за различни приложения, включително медицина. Сега, като се има предвид пандемията от COVID-19, има нужда от обучение на модели за машинно обучение в мащаб. Целта на това е да се разработят ваксини и лекарства за вируса. Инструментът CLARA може да работи с триизмерни структури и различни алгоритми, като по същество е координатор на тяхната работа.
Друга възможност за обучение по изкуствен интелект е да се използват стимулирани данни, а не реални данни.Имаме набор от роботи, които могат да станатготвачи в нашите кухни. Такива машини могат да отварят и затварят чекмедже, да вземат предмет, да смесват или разбиват нещо. Тези операции, които са прости за хората, са много трудни за роботите, тъй като е проблематично да ги обучите да правят това. Но с помощта на симулационни процеси ще можем да отваряме несъществуващи, програмирани кутии. И по този начин роботът научава подобни операции. Програмите ни позволяват да правим това паралелно и в голям мащаб, което ни позволява да преодолеем ограниченията, които данните ни налагат. Но такава система за обучение означава, че трябва да бъдат разработени много сложни алгоритми, които ще пренесат машината от света на симулацията в реалния свят, отваряйки напълно нови, вълнуващи перспективи за работа с AI. Има програма, която ви позволява да добавите симулация към тези модели, когато изкуственият интелект се обучава върху реални данни. Това е още един пример, че имаме добра инфраструктура и можем да работим по много сложни проблеми. Стана възможно създаването на нови алгоритми и модели, както и тестването им много по-бързо от преди.
Бъдещето на ИИ трябва да бъде всеобхватно и да бъде въплътено в различни сфери, така че да имаме силно адаптивен инструмент за постоянно обучение.За да направим това, сега трябва да преосмислим подходите задълбоко обучение. Самонасочващото се обучение е ключът към успеха, така че трябва да намерим начини да вградим в системи програми за обучение без надзор. И ако говорим за конволюционни невронни мрежи, системата за обратна връзка ги прави по-стабилни. И това е първата стъпка към създаването на реална база за следващото поколение AI.
Вижте също:
Търсачът на съкровища намира 3 000 годишно съкровище в Шотландия
Метеорен душ Perseids - 2020: Къде да го видите, къде да погледнете и как да направите снимка
Погледнете 3D картата на Вселената: тя е съставена в продължение на 20 години и вече е изненадала учените