Anima Anandkumarje profesorem na California Institute of Technology a ředitelem výzkumu na
„Situace s koronaviry ukazuje, že lidé jsou daleko před AI“
Jak začala revoluce umělé inteligence?Po několik desetiletí zajímavéobjevy v této oblasti. Pro člověka není nic světštějšího než rozeznávání obrázků na obrazovce. Ale pro AI je to extrémně obtížný úkol, protože se nerodí s již danými schopnostmi. Vědci stáli před úkolem „naučit“ mozek stroje identifikovat, co viděl. V počátcích výzkumu začal stanfordský profesor pořizovat snímky, aby je mohl počítač lépe klasifikovat. Byly to označené obrázky, které zahájily revoluci hlubokého neurálního učení.
Dosažení nové úrovně vývoje AI začalo zahrnutím miliard parametrů do programu, které mu umožní rozpoznat konkrétní objekt.Obtížností úkolu je vytvořit hlubokou neuronovou síťza podmínek invariance poznala například psa bez ohledu na rozdíl v postoji, barvě, plemeni atd. Výcvik AI znamená, že během zpracování obrazu je v hierarchickém pořadí zobrazeno několik vrstev rámečku. Na základní úrovni jsou tedy navzájem viditelné pouze čáry v různých úhlech. Pak se spojí a vytvoří složitější tvary, například barevný obličej psa. Tvar, barva a další jednotlivé vlastnosti jsou již rozlišitelné. Byla to fáze, kdy jsme se naučili rozdělit proces na části, do úrovní, která se stala obrovským krokem vpřed.
Další vývoj vyžaduje nejen hluboké neuronové sítě, ale také obrovský výpočetní výkon.Během posledních desetiletí jsme vidělizpomalení růstu schopností našich počítačů, přičemž jednovláknové výpočetní rychlosti se již nezdvojnásobují. Ale zároveň nyní můžeme současně počítat operace, které jsou obrovské co do objemu a složitosti. Současná úroveň rozvoje hlubokých sítí vedla k tomu, že v nich nyní mohou probíhat miliardy procesů současně. A jejich cíl je jediný: určit, co je na fotografii zobrazeno. Tento postup se provádí pomocí procesů maticové animace a dalších technologií. A zde samozřejmě vše závisí na výkonu grafických karet.
Do roku 2014 byly hluboké neurální sítě schopny rozpoznávat obrázky lépe než lidé, což znamená, že dnes jsou ještě pokročilejší.Stalo se tak díky kombinaci třífaktory: schopnosti označených dat, flexibilita existujících algoritmů hlubokých neuronových sítí a obrovské možnosti počítačů. Existuje mnoho skvělých příkladů toho, jakých výšek již strojový mozek dosáhl, například učení s hlubokým posílením pomohlo umělé inteligenci porazit člověka ve hře Go. Tento hráč byl jedním z nejlepších, ale prohrál. Umělá inteligence je navíc nyní schopna generovat fotografie lidí tak realistické, že tato technologie již prošla Turingovým testem. Člověk už nedokáže pochopit, který obraz je skutečný a který byl vytvořen strojem. Toto jsou skvělé příklady úspěchu AI, ale pokrok se tím rozhodně nezastaví.
Existuje však řada příkladů, kdy AI nesplnila očekávání.Řekněme situaci, kdy klíčový aspektje bezpečnost. Již několik desetiletí zaznamenáváme nárůst technologií používaných v autonomních automobilech, ale jejich nedostatečná sofistikovanost bohužel stále vede k nehodám. Stroj také nemůže nahradit člověka, pokud jde o vytváření a úpravy obsahu. A současná situace s koronavirem ukazuje, že lidé jsou daleko před AI.
Co budeme dělat v budoucnu při vývoji umělé inteligence a technologií hlubokých neuronových sítí?V současné době se aktivně rozvíjírobotika: například jedna společnost má robota, který umí dělat salta vzad. Ale nedá se srovnat ani se psem. Tento robot je nešikovný, neustále padá, ale zvíře se při pádu učí, jak udělat ten či onen pohyb příště bez pádu. Robot toho ale není schopen, není vycvičený. To vyvolává otázku, je možné vytvořit AI, která je připravena učit se a řešit problémy sama?
„Porozumění algoritmům je nad naše možnosti.“
Algoritmus umělé inteligence je soubor předem stanovených informací a velmi jasný úkol.Určujeme jaké údaje a předběžněby měly být použity dané parametry a také způsob realizace rozhodovacího procesu. Vytvoření a údržba algoritmu AI vyžaduje obrovské množství dat. To je obtížné, protože dat je stále více a více, například při rozpoznávání video streamu je počet rozpoznaných snímků velmi velký. Označování je problematické, protože lidé přiřazují názvy milionům videí, a tedy i objektům na obrazovce.
Pokud jde o přednastavené parametry, musíte se znovu vypořádat s tím, že se vše děje ručně.V dnešní době je snadné oklamat AI.Pokud máme například stopku a položíme na ni několik bloků, umělá inteligence přestane chápat její význam. A auto jedoucí bez asistence řidiče už tuto značku jako výzvu k zastavení nepozná. Naše lidská inteligence je úplně jiná. Možná dokážeme přenést svůj způsob myšlení do počítače, ale zatím se nám to nepodařilo. Pokud jde o pokyny, příkazy a pokyny, musíme jednat velmi jednoduše: zadáváme jeden úkol – rozpoznat, co je na tomto obrázku znázorněno. Co se týče parametrů pro posouzení úspěšnosti či neúčinnosti algoritmu, zde jsme velmi omezeni.
Někdy nemůžeme pochopit, jak úspěšný je současný algoritmus, protože je mimo naše chápání.Kromě toho je s tím spojeno několik problémůfakt, že data, která máme, se týkají hlavně mužů světlé pleti. Z tohoto důvodu AI špatně identifikuje ženy tmavé pleti. Existují další chyby v rozpoznávání obličeje. Problém nastává, protože hodnocení efektivity umělé inteligence je extrémně omezené. Nesmíme zapomínat na paradigma, které říká, že potřebujeme obrovské množství dat a všechna musí být označena. Přednastavené parametry musí být algoritmu jasné a samotný úkol musí být jednoduchý a logický.
Nejprve se musíte ujistit, že nemusíte označovat svá data.AI musí fungovat bez lidské pomocipočítač sám našel koncepty, vytvořil nápady a pochopil rysy konkrétního obrazu. Je to těžké? Ano, velmi, ale lidé to dělají a snadno. Pokud jde o přednastavená data, zde musíme vytvořit velmi jasné obrázky, abychom ukázali, co je to z dat, která „přivádíme“ do systému. A zde se můžete od lidského mozku mnohému naučit. A nakonec úkoly, které dáváme algoritmu. Umělá inteligence musí být přizpůsobivější, protože nyní trénujeme náš systém pokaždé od nuly, ale musíme ho udělat tak, aby se mohl přizpůsobovat a měnit, vykonávat různé úkoly. Nyní tedy trénujeme, aby umělá inteligence byla flexibilní.
Jak pochopit, že před námi je kočka?
Kočku poznáme, i když je to rozmazaný obrázek, protože náš mozek se neustále snaží dát rozmazanému obrazu určitou ostrost pro další analýzu.Existuje mnoho teorií a jedna z nejznámějšíchříká, že se nejen díváme na nějaký objekt, ale mozek si zároveň vybírá možnosti, jaké to může být. Hluboké neuronové sítě dělají totéž. Máme apriorní údaje o tom, jak by měla kočka vypadat. A snažíme se spojit tento obrázek s myšlenkou, jak vypadají kočky. Je důležité to během vývoje pochopit, aby při identifikaci obrazů existovala konzistence.
Jak můžeme dosáhnout stability při identifikaci objektů umělými sítěmi?K tomu přirozeně dochází kvůliopakovatelnost. Pořídíme nějaký externí obraz a podíváme se na něj a signál jde do mozku. K dispozici je také zpětná vazba shora dolů. Pomocí informací o tom, jak kočka vypadá, vytváří mozek určité vnímání. Jak zajistit, aby tyto nejsložitější procesy v našem mozku byly implementovány pomocí AI? Je nutné kombinovat dobrý klasifikátor pro koncept „kočky“, který „napájí“ neurální síť, s vynikajícím generátorem těchto obrazů. Současně proběhne klasifikace konceptu a trénink neuronové sítě. Bude získána zpětná vazba pro standardní neuronové sítě. A toto spojení poskytne příležitost získat generativní zpětnou vazbu. Jinými slovy, při pokusu o zpracování příchozího signálu se člověk pokusí označit obraz. A pak existuje zpětná vazba, když se snažíme generovat vnímání na základě toho, co vidíme. Tyto dva procesy musí být vzájemně propojeny.
Standardní neurální síť zpravidla nedokáže rozpoznat fuzzy obrázky, ale náš model díky zpětnovazebnímu mechanismu činí obrázky jasnějšími a poté je bude schopen rozpoznat.Vidíme, že takové schéma se osvědčiloúčinnost, takže se můžeme inspirovat tím, jak lidé při vytváření počítačového vidění vidí. Na základě již vyvinutých modelů můžete vytvářet pokročilejší algoritmy, které budou mít vysoký výkon. Potřebujeme ale také efektivní infrastrukturu, která zvládne procesy AI ve velkém měřítku. Nepracujeme s algoritmy individuálně. Vezmete nějaká data a potřebujete je vizualizovat, což je velmi složitý proces. Proto potřebujete výkonný procesor schopný zpracovat působivé množství informací. Kromě toho používáme určité frameworky (CLARA) pro různé aplikace, včetně medicíny. Nyní, vzhledem k pandemii COVID-19, je potřeba trénovat modely strojového učení ve velkém měřítku. Cílem je vyvinout vakcíny a léky proti viru. Nástroj CLARA umí pracovat s trojrozměrnými strukturami a různými algoritmy, v podstatě je koordinátorem jejich práce.
Další příležitostí pro trénink AI je použít spíše stimulovaná data než skutečná data.Máme řadu robotů, které se mohou státkuchaři v našich kuchyních. Takové stroje jsou schopny otevřít a zavřít zásuvku, vzít předmět, míchat nebo šlehat něco. Tyto operace, které jsou pro člověka jednoduché, jsou pro roboty velmi obtížné, protože je problematické je k tomu vycvičit. Ale pomocí simulačních procesů budeme schopni otevřít neexistující, naprogramované boxy. A tím se robot učí podobné operace. Programy nám to umožňují paralelně a ve velkém měřítku, což nám umožňuje překonat omezení, která nám data ukládají. Takový školicí systém však znamená, že je třeba vyvinout velmi složité algoritmy, které přenesou stroj ze světa simulace do skutečného světa a otevřou zcela nové, vzrušující vyhlídky pro práci s umělou inteligencí. Existuje program, který vám umožňuje přidat simulaci k těmto modelům, když je umělá inteligence trénována na skutečných datech. To je další příklad toho, že máme dobrou infrastrukturu a dokážeme pracovat na velmi složitých problémech. Bylo možné vytvářet nové algoritmy a modely a také je testovat mnohem rychleji než dříve.
Budoucnost AI musí být komplexní a musí být ztělesněna v různých oblastech, abychom měli vysoce adaptivní a neustále se učící nástroj.Abychom toho dosáhli, musíme nyní přehodnotit přístupyhluboké učení. Samořízené učení je klíčem k úspěchu, takže musíme najít způsoby, jak zabudovat vzdělávací programy bez dozoru do systémů. A pokud mluvíme o konvolučních neuronových sítích, systém zpětné vazby je činí stabilnějšími. A to je první krok k vytvoření skutečné základny pro další generaci AI.
Viz také:
Lovec pokladů najde ve Skotsku 3 000 let starý poklad
Meteorická sprcha Perseids - 2020: Kde ji vidět, kde hledat a jak fotografovat
Podívejte se na 3D mapu vesmíru: byla sestavena po dobu 20 let a už to vědce překvapilo