Anima Anandkumarer professor ved California Institute of Technology og forskningsdirektør ved
"Situationen med coronavirus viser, at mennesker ligger langt foran AI"
Hvordan startede den kunstige intelligensrevolution?I flere årtier interessantopdagelser i dette område. For en person er der intet mere verdsligt end at genkende billeder på en skærm. Men for en AI er dette en ekstremt vanskelig opgave, fordi den ikke er født med allerede givne evner til dette. Forskere stod over for opgaven med at "lære" maskinens hjerne at identificere, hvad den så. I de tidlige dage med forskning begyndte en Stanford-professor at tage billeder for at gøre det lettere for en computer at klassificere dem. Det var mærket billeder, der startede den dybe neurale læringsrevolution.
At nå et nyt niveau af AI-udvikling begyndte med inklusion af milliarder af parametre i programmet, der gør det muligt for det at genkende et bestemt objekt.Opgavens vanskelighed er at skabe et dybt neuralt netværkunder betingelserne for uforanderlighed genkendte hun for eksempel en hund uanset forskellen i kropsholdning, farve, race osv. AI-træning betyder, at et antal lag af rammen under billedbehandling ses i en hierarkisk rækkefølge. Så på det grundlæggende niveau er kun linjer synlige i forskellige vinkler for hinanden. Derefter kombinerer de og udgør mere komplekse former, for eksempel en hunds ansigt i farve. Form, farve og andre individuelle egenskaber kan allerede skelnes. Det var det stadium, hvor vi lærte at opdele processen i dele, i niveauer, der blev et stort skridt fremad.
Yderligere udvikling kræver ikke kun dybe neurale netværk, men også enorm computerkraft.I løbet af de sidste årtier har vi setafmatningen i væksten af vores computeres muligheder, hvor enkelttrådede computerhastigheder ikke længere fordobles. Men samtidig kan vi nu samtidig beregne operationer, der er enorme i volumen og kompleksitet. Det nuværende udviklingsniveau af dybe netværk har ført til, at milliarder af processer nu kan forekomme i dem samtidigt. Og deres mål er kun ét: at bestemme, hvad der vises på fotografiet. Denne procedure udføres ved hjælp af matrix-animationsprocesser og andre teknologier. Og her afhænger alt selvfølgelig af grafikkortenes kraft.
I 2014 var dybe neurale netværk i stand til at genkende billeder bedre end mennesker, hvilket betyder, at de i dag er blevet endnu mere avancerede.Dette skete takket være kombinationen af trefaktorer: mulighederne for mærkede data, fleksibiliteten af eksisterende dybe neurale netværksalgoritmer og computernes enorme muligheder. Der er mange gode eksempler på, hvilke højder maskinhjernen allerede har opnået, for eksempel hjalp dyb forstærkningslæring AI med at slå et menneske i spillet Go. Denne spiller var en af de bedste, men han tabte. Derudover er kunstig intelligens nu i stand til at generere fotografier af mennesker så realistiske, at denne teknologi allerede har bestået Turing-testen. En person kan ikke længere forstå, hvilket billede der er ægte, og hvilket billede der er skabt af en maskine. Disse er gode eksempler på AI-succes, men fremskridtet stopper bestemt ikke der.
Der er dog en række eksempler, hvor AI ikke levede op til forventningerne.Lad os sige en situation, hvor nøgleaspekteter sikkerhed. I flere årtier nu har vi set en stigning i teknologien, der bruges i autonome biler, men desværre fører deres mangel på sofistikering stadig til ulykker. En maskine kan heller ikke erstatte en person, når det kommer til oprettelse og redigering af indhold. Og den nuværende situation med coronavirus viser, at mennesker er langt foran AI.
Hvad vil vi gøre i fremtiden, udvikle kunstig intelligens og teknologier i dybe neurale netværk?Er i øjeblikket aktivt i udviklingrobotteknologi: for eksempel har en virksomhed en robot, der kan lave backflips. Men han kan ikke engang sammenlignes med en hund. Denne robot er akavet, falder konstant, men når dyret falder, lærer det at lave den eller den bevægelse næste gang uden at falde. Men robotten er ikke i stand til dette, den er ikke trænet. Dette rejser spørgsmålet, er det muligt at lave AI, der er klar til at lære og løse problemer på egen hånd?
"At forstå algoritmer er uden for vores evner."
En algoritme for kunstig intelligens er et sæt foruddefineret information og en meget klar opgave.Vi bestemmer hvilke data og foreløbigtde givne parametre bør anvendes, samt hvordan man implementerer beslutningsprocessen. Oprettelse og vedligeholdelse af en AI-algoritme kræver enorme mængder data. Dette er svært, fordi der er mere og mere data, for eksempel når man genkender en videostream, er antallet af genkendte frames meget stort. Mærkning er problematisk, fordi folk tildeler navne til millioner af videoer og derfor til objekter på skærmen.
Hvad angår de foruddefinerede parametre, skal du igen håndtere det faktum, at alt sker manuelt.Det er nemt at narre AI i disse dage.For eksempel, hvis vi har et stopskilt, og vi placerer flere blokke på det, så vil den kunstige intelligens ikke længere forstå dens betydning. Og en bil, der bevæger sig uden førerhjælp, genkender ikke længere dette skilt som en opfordring til at stoppe. Vores menneskelige intelligens er helt anderledes. Måske kan vi overføre vores måde at tænke på til en computer, men det har vi ikke kunnet endnu. Hvad angår anvisninger, ordrer og instruktioner, skal vi handle meget enkelt: vi giver én opgave - at genkende, hvad der er vist på dette billede. Hvad angår parametrene for at vurdere succesen eller ineffektiviteten af algoritmen, er vi her meget begrænsede.
Vi kan nogle gange ikke forstå, hvor vellykket den nuværende algoritme er, fordi den er uden for vores forståelse.Derudover er der flere problemer forbundet meddet faktum, at de data, vi har, hovedsageligt er på lyshudede mænd. Af denne grund fejlidentificerer AI mørkhudede kvinder. Der er andre fejl i ansigtsgenkendelse. Problemet opstår, fordi evalueringen af effektiviteten af kunstig intelligens er ekstremt begrænset. Vi må ikke glemme det paradigme, der siger, at vi har brug for enorme mængder data, og det hele skal mærkes. De forudindstillede parametre skal være tydelige for algoritmen, og selve opgaven skal være enkel og logisk.
Først skal du sikre dig, at du ikke behøver at mærke dataene.AI skal fungere uden menneskelig assistance tilcomputeren selv fandt koncepter, dannede ideer og forstod funktionerne i et bestemt billede. Er det svært? Ja, meget, men folk gør det, og med lethed. Hvad angår de forudindstillede data, skal vi her skabe meget klare billeder for at vise, hvad der er hvad af de data, vi "føder" til systemet. Og her kan du lære meget af den menneskelige hjerne. Og endelig de opgaver, vi giver til algoritmen. AI skal være mere adaptiv, for nu træner vi vores system fra bunden hver gang, men vi skal gøre det, så det kan tilpasse og ændre sig, udføre forskellige opgaver. Så nu træner vi i at gøre kunstig intelligens fleksibel.
Hvordan forstå, at vi har en kat?
Vi genkender en kat, selvom det er et sløret billede, fordi vores hjerne hele tiden forsøger at give en vis skarphed til det slørede billede til videre analyse.Der er mange teorier, og en af de mest berømtesiger, at vi ikke kun ser på et objekt, men samtidig vælger hjernen muligheder for, hvad det kan være. Dybe neurale netværk gør det samme. Vi har priori data om, hvordan katten skal se ud. Og vi prøver at matche dette billede med ideen om, hvordan katte ser ud. Det er vigtigt at forstå dette under udviklingen for at sikre konsistens i billedidentifikation.
Hvordan kan vi opnå stabilitet i identifikation af objekter ved hjælp af kunstige netværk?Dette forekommer naturligt pgarepeterbarhed. Vi tager et eksternt billede og ser på det, og signalet går til hjernen. Der er også feedback fra oven og ned. Ved hjælp af oplysninger om, hvordan en kat ser ud, danner hjernen en bestemt opfattelse. Hvordan man laver disse mest komplekse processer i vores hjerne implementeres af AI? Det er nødvendigt at kombinere en god klassifikator til begrebet "kat", som vil "fodre" det neurale netværk med en fremragende generator af disse billeder. Samtidig vil klassificeringen af konceptet og træningen af det neurale netværk finde sted. Feedback opnås for standard neurale netværk. Og denne forbindelse giver mulighed for at modtage generativ feedback. Med andre ord, når man prøver at behandle det indgående signal, forsøger en person at mærke billedet. Og så er der feedback, når vi prøver at generere opfattelse baseret på det, vi ser. Disse to processer skal være sammenkoblet.
Et standard neuralt netværk kan som regel ikke genkende fuzzy billeder, men vores model gør takket være en feedbackmekanisme billederne klarere og kan derefter genkende dem.Vi ser, at sådan en ordning har bevist siteffektivitet, så vi kan blive inspireret af, hvordan mennesker ser, når de skaber computervision. Baseret på allerede udviklede modeller kan du skabe mere avancerede algoritmer, der vil have høj ydeevne. Men vi har også brug for en effektiv infrastruktur, der kan håndtere AI-processer i stor skala. Vi arbejder ikke med algoritmer individuelt. Du tager nogle data, og du skal visualisere det, hvilket er en meget kompleks proces. Derfor har du brug for en kraftfuld processor, der er i stand til at behandle imponerende mængder information. Derudover bruger vi visse rammer (CLARA) til forskellige applikationer, herunder medicin. Nu, givet COVID-19-pandemien, er der behov for at træne maskinlæringsmodeller i stor skala. Målet med dette er at udvikle vacciner og kure mod virussen. CLARA-værktøjet kan arbejde med tredimensionelle strukturer og forskellige algoritmer, i det væsentlige være koordinatoren af deres arbejde.
En anden AI-læringsmulighed er at bruge stimulerede data snarere end reelle data.Vi har en række robotter, der kan blivekokke i vores køkkener. Sådanne maskiner er i stand til at åbne og lukke en skuffe, tage en genstand, blande eller piske noget. Disse operationer, som er enkle for mennesker, er meget vanskelige for robotter, da det er problematisk at træne dem til at gøre dette. Men ved hjælp af simuleringsprocesser vil vi være i stand til at åbne ikke-eksisterende, programmerede bokse. Og dermed lærer robotten lignende operationer. Programmer giver os mulighed for at gøre dette parallelt og i stor skala, hvilket giver os mulighed for at overvinde de begrænsninger, som data pålægger os. Men sådan et træningssystem betyder, at der skal udvikles meget komplekse algoritmer, som vil tage maskinen fra simulationens verden til den virkelige verden, hvilket åbner op for helt nye, spændende muligheder for at arbejde med AI. Der er et program, der giver dig mulighed for at tilføje simulering til disse modeller, når kunstig intelligens trænes på rigtige data. Dette er endnu et eksempel på, at vi har en god infrastruktur og kan arbejde med meget komplekse problemer. Det blev muligt at skabe nye algoritmer og modeller, samt teste dem meget hurtigere end tidligere gjort.
Fremtiden for AI skal være omfattende og være legemliggjort på forskellige områder, så vi har et meget adaptivt, konstant lærende værktøj.For at gøre dette skal vi nu genoverveje tilgange tildyb læring. Selvstyret læring er nøglen til succes, så vi er nødt til at finde måder at indbygge uovervågede læringsprogrammer i systemer. Og hvis vi taler om konvolutionelle neurale netværk, gør feedbacksystemet dem mere stabile. Og dette er det første skridt mod at skabe en reel base for den næste generation af AI.
Se også:
Skattejæger finder 3000 år gammel skat i Skotland
Perseids Meteor Shower - 2020: Hvor man kan se det, hvor man skal se og hvordan man tager et foto
Se på 3D-kortet over universet: det blev samlet i 20 år, og det har allerede overrasket forskere