Anima Anandkumarist Professor am California Institute of Technology und Forschungsdirektor dort
"Die Situation mit dem Coronavirus zeigt, dass Menschen der KI weit voraus sind"
Wie begann die Revolution der künstlichen Intelligenz?Seit mehreren Jahrzehnten interessantEntdeckungen in diesem Bereich. Für eine Person gibt es nichts Alltäglicheres als das Erkennen von Bildern auf einem Bildschirm. Für eine KI ist dies jedoch eine äußerst schwierige Aufgabe, da sie nicht mit den bereits gegebenen Fähigkeiten dafür geboren wird. Wissenschaftler standen vor der Aufgabe, das Maschinengehirn zu "lehren", um zu identifizieren, was es sah. Zu Beginn der Forschung begann ein Stanford-Professor mit der Aufnahme von Bildern, um es einem Computer zu erleichtern, sie zu klassifizieren. Es wurden Bilder beschriftet, die die tiefe Revolution des neuronalen Lernens auslösten.
Das Erreichen einer neuen Stufe der KI-Entwicklung begann mit der Aufnahme von Milliarden von Parametern in das Programm, die es ihm ermöglichen, ein bestimmtes Objekt zu erkennen.Die Schwierigkeit der Aufgabe besteht darin, ein tiefes neuronales Netzwerk aufzubauenUnter den Bedingungen der Invarianz erkannte sie zum Beispiel einen Hund, unabhängig von der unterschiedlichen Haltung, Farbe, Rasse usw. KI-Training bedeutet, dass während der Bildverarbeitung mehrere Ebenen des Rahmens in einer hierarchischen Reihenfolge angezeigt werden. Auf der Basisebene sind also nur Linien in unterschiedlichen Winkeln zueinander sichtbar. Dann kombinieren und bilden sie komplexere Formen, zum Beispiel das Gesicht eines Hundes in Farbe. Form, Farbe und andere individuelle Merkmale sind bereits erkennbar. Es war die Phase, in der wir lernten, den Prozess in Teile und Ebenen zu unterteilen, was zu einem großen Schritt nach vorne wurde.
Die weitere Entwicklung erfordert nicht nur tiefe neuronale Netze, sondern auch eine enorme Rechenleistung.In den letzten Jahrzehnten haben wir gesehendie Verlangsamung des Wachstums der Fähigkeiten unserer Computer, da sich die Single-Threaded-Rechengeschwindigkeiten nicht mehr verdoppeln. Aber gleichzeitig können wir jetzt gleichzeitig Vorgänge berechnen, die enorm umfangreich und komplex sind. Der aktuelle Entwicklungsstand tiefer Netzwerke hat dazu geführt, dass in ihnen mittlerweile Milliarden von Prozessen gleichzeitig ablaufen können. Und ihr Ziel ist nur eines: zu bestimmen, was auf dem Foto gezeigt wird. Dieser Vorgang wird mithilfe von Matrixanimationsverfahren und anderen Technologien durchgeführt. Und hier hängt natürlich alles von der Leistung der Grafikkarten ab.
Bis 2014 konnten tiefe neuronale Netze Bilder besser erkennen als Menschen, was bedeutet, dass sie heute noch weiter fortgeschritten sind.Dies geschah dank der Kombination von dreiFaktoren: die Fähigkeiten gekennzeichneter Daten, die Flexibilität bestehender Algorithmen für tiefe neuronale Netze und die enormen Fähigkeiten von Computern. Es gibt viele großartige Beispiele dafür, welche Höhen das Maschinenhirn bereits erreicht hat. Beispielsweise hat Deep Reinforcement Learning der KI dabei geholfen, einen Menschen im Go-Spiel zu schlagen. Dieser Spieler war einer der besten, aber er hat verloren. Darüber hinaus ist künstliche Intelligenz mittlerweile in der Lage, so realistische Fotos von Menschen zu erzeugen, dass diese Technologie bereits den Turing-Test bestanden hat. Der Mensch kann nicht mehr erkennen, welches Bild echt ist und welches von einer Maschine erstellt wurde. Dies sind großartige Beispiele für den Erfolg von KI, aber der Fortschritt wird hier sicherlich nicht aufhören.
Es gibt jedoch eine Reihe von Beispielen, bei denen die KI hinter den Erwartungen zurückblieb.Nehmen wir an, eine Situation, in der der Schlüsselaspektist Sicherheit. Seit mehreren Jahrzehnten beobachten wir eine Zunahme der Technologie, die in autonomen Autos zum Einsatz kommt, aber leider führt der Mangel an Ausgereiftheit immer noch zu Unfällen. Auch bei der Erstellung und Bearbeitung von Inhalten kann eine Maschine den Menschen nicht ersetzen. Und die aktuelle Corona-Situation zeigt, dass der Mensch der KI weit voraus ist.
Was werden wir in Zukunft tun, um künstliche Intelligenz und Technologien für tiefe neuronale Netze zu entwickeln?Derzeit aktiv in der EntwicklungRobotik: Ein Unternehmen verfügt beispielsweise über einen Roboter, der Rückwärtssaltos ausführen kann. Aber er ist nicht einmal mit einem Hund zu vergleichen. Dieser Roboter ist unbeholfen, er fällt ständig, aber das Tier lernt beim Fallen, wie es beim nächsten Mal diese oder jene Bewegung ausführen kann, ohne zu fallen. Doch dazu ist der Roboter nicht in der Lage, er ist nicht trainiert. Dies wirft die Frage auf: Ist es möglich, eine KI zu schaffen, die bereit ist, selbst zu lernen und Probleme zu lösen?
"Das Verständnis von Algorithmen liegt außerhalb unserer Möglichkeiten."
Ein Algorithmus für künstliche Intelligenz ist eine Sammlung vordefinierter Informationen und eine sehr klare Aufgabe.Wir ermitteln welche Daten und vorläufigwelche Parameter verwendet werden sollen und wie der Entscheidungsprozess umgesetzt werden soll. Für die Erstellung und Pflege eines KI-Algorithmus sind riesige Datenmengen erforderlich. Dies ist schwierig, da immer mehr Daten anfallen und beispielsweise beim Erkennen eines Videostreams die Anzahl der erkannten Frames sehr groß ist. Die Kennzeichnung ist problematisch, da Millionen von Videos und damit Objekten auf dem Bildschirm Namen zugewiesen werden.
Bei den voreingestellten Parametern muss man sich wieder damit auseinandersetzen, dass alles manuell erledigt wird.Heutzutage ist es leicht, KI zu täuschen.Wenn wir beispielsweise ein Stoppschild haben und mehrere Blöcke darauf platzieren, dann wird die künstliche Intelligenz dessen Bedeutung nicht mehr verstehen. Und ein Auto, das sich ohne Fahrerunterstützung bewegt, erkennt dieses Zeichen nicht mehr als Aufforderung zum Anhalten. Unsere menschliche Intelligenz ist völlig anders. Vielleicht können wir unsere Denkweise auf einen Computer übertragen, aber das ist uns noch nicht gelungen. Was Anweisungen, Befehle und Anweisungen angeht, müssen wir ganz einfach vorgehen: Wir geben eine Aufgabe – zu erkennen, was auf diesem Bild gezeigt wird. Was die Parameter zur Beurteilung des Erfolgs oder der Ineffektivität des Algorithmus angeht, sind wir hier sehr begrenzt.
Wir können manchmal nicht verstehen, wie erfolgreich der aktuelle Algorithmus ist, weil er nicht verstanden werden kann.Darüber hinaus sind damit mehrere Probleme verbundendie Tatsache, dass die uns vorliegenden Daten sich hauptsächlich auf hellhäutige Männer beziehen. Aus diesem Grund identifiziert KI dunkelhäutige Frauen falsch. Es gibt weitere Fehler bei der Gesichtserkennung. Das Problem entsteht, weil die Bewertung der Wirksamkeit künstlicher Intelligenz äußerst begrenzt ist. Wir dürfen das Paradigma nicht vergessen, das besagt, dass wir riesige Datenmengen benötigen und diese alle gekennzeichnet werden müssen. Die voreingestellten Parameter müssen für den Algorithmus klar sein und die Aufgabe selbst muss einfach und logisch sein.
Zunächst müssen Sie sicherstellen, dass Sie die Daten nicht kennzeichnen müssen.KI muss ohne menschliche Hilfe funktionierenDer Computer selbst fand Konzepte, formte Ideen und verstand die Merkmale eines bestimmten Bildes. Ist es schwer? Ja, sehr, aber die Leute tun es, und zwar mit Leichtigkeit. Was die voreingestellten Daten betrifft, müssen wir hier sehr klare Bilder erstellen, um zu zeigen, was mit den Daten ist, die wir dem System „einspeisen“. Und hier kann man viel vom menschlichen Gehirn lernen. Und schließlich die Aufgaben, die wir dem Algorithmus geben. KI muss anpassungsfähiger sein, denn jetzt trainieren wir unser System jedes Mal von Grund auf, aber wir müssen es so gestalten, dass es sich anpassen und ändern und verschiedene Aufgaben ausführen kann. Jetzt trainieren wir, um künstliche Intelligenz flexibel zu machen.
Wie kann man verstehen, dass eine Katze vor uns steht?
Wir erkennen eine Katze, auch wenn es sich um ein verschwommenes Bild handelt, weil unser Gehirn ständig versucht, dem verschwommenen Bild eine gewisse Schärfe für die weitere Analyse zu verleihen.Es gibt viele Theorien und eine der bekanntestensagt, dass wir nicht nur ein Objekt betrachten, sondern gleichzeitig das Gehirn Optionen für das auswählt, was es sein kann. Tiefe neuronale Netze tun dasselbe. Wir haben a priori Daten darüber, wie die Katze aussehen soll. Und wir versuchen, dieses Bild mit der Vorstellung in Einklang zu bringen, wie Katzen aussehen. Es ist wichtig, dies während der Entwicklung zu verstehen, um die Konsistenz der Bildidentifikation sicherzustellen.
Wie können wir Stabilität bei der Identifizierung von Objekten durch künstliche Netzwerke erreichen?Dies geschieht natürlich aufgrund vonWiederholbarkeit. Wir machen ein externes Bild und schauen es uns an, und das Signal geht an das Gehirn. Es gibt auch Top-Down-Feedback. Mit Informationen darüber, wie eine Katze aussieht, bildet das Gehirn eine spezifische Wahrnehmung. Wie können wir diese komplexen Prozesse in unserem Gehirn durch KI implementieren lassen? Es ist notwendig, einen guten Klassifikator für das Konzept der "Katze", der das neuronale Netzwerk "speist", mit einem hervorragenden Generator dieser Bilder zu kombinieren. Gleichzeitig erfolgt die Klassifizierung des Konzepts und das Training des neuronalen Netzes. Für standardmäßige neuronale Netze wird eine Rückmeldung eingeholt. Und diese Verbindung bietet die Möglichkeit, generatives Feedback zu erhalten. Mit anderen Worten, wenn versucht wird, das eingehende Signal zu verarbeiten, versucht eine Person, das Bild zu markieren. Und dann gibt es Feedback, wenn wir versuchen, eine Wahrnehmung zu generieren, die auf dem basiert, was wir sehen. Diese beiden Prozesse müssen miteinander verbunden werden.
Ein normales neuronales Netzwerk kann in der Regel keine unscharfen Bilder erkennen, aber unser Modell macht die Bilder dank eines Rückkopplungsmechanismus klarer und kann sie dann erkennen.Wir sehen, dass sich ein solches Schema bewährt hatEffektivität, sodass wir uns bei der Entwicklung von Computer Vision davon inspirieren lassen können, wie Menschen sehen. Basierend auf bereits entwickelten Modellen können Sie fortschrittlichere Algorithmen mit hoher Leistung erstellen. Wir brauchen aber auch eine effiziente Infrastruktur, die KI-Prozesse im großen Maßstab bewältigen kann. Wir arbeiten nicht einzeln mit Algorithmen. Man nimmt einige Daten und muss sie visualisieren, was ein sehr komplexer Prozess ist. Daher benötigen Sie einen leistungsstarken Prozessor, der beeindruckende Informationsmengen verarbeiten kann. Darüber hinaus nutzen wir bestimmte Frameworks (CLARA) für verschiedene Anwendungen, unter anderem in der Medizin. Angesichts der COVID-19-Pandemie besteht nun die Notwendigkeit, Modelle für maschinelles Lernen in großem Maßstab zu trainieren. Ziel ist die Entwicklung von Impfstoffen und Heilmitteln gegen das Virus. Das CLARA-Tool kann mit dreidimensionalen Strukturen und verschiedenen Algorithmen arbeiten und fungiert im Wesentlichen als Koordinator ihrer Arbeit.
Eine weitere Möglichkeit zum Lernen von KI besteht darin, stimulierte Daten anstelle von realen Daten zu verwenden.Wir haben eine Reihe von Robotern, die werden könnenKöche in unseren Küchen. Solche Maschinen sind in der Lage, eine Schublade zu öffnen und zu schließen, einen Gegenstand aufzunehmen, etwas zu mischen oder zu schlagen. Diese für Menschen einfachen Vorgänge sind für Roboter sehr schwierig, da es problematisch ist, sie dafür zu trainieren. Doch mit Hilfe von Simulationsverfahren werden wir in der Lage sein, nicht existierende, programmierte Boxen zu öffnen. Und so lernt der Roboter ähnliche Operationen. Programme ermöglichen es uns, dies parallel und in großem Umfang zu tun, wodurch wir die Einschränkungen überwinden können, die uns Daten auferlegen. Doch für ein solches Trainingssystem müssen sehr komplexe Algorithmen entwickelt werden, die die Maschine von der Simulationswelt in die reale Welt bringen und völlig neue, spannende Perspektiven für die Arbeit mit KI eröffnen. Es gibt ein Programm, mit dem Sie diesen Modellen Simulationen hinzufügen können, wenn künstliche Intelligenz auf realen Daten trainiert wird. Dies ist ein weiteres Beispiel dafür, dass wir über eine gute Infrastruktur verfügen und sehr komplexe Probleme bearbeiten können. Es wurde möglich, neue Algorithmen und Modelle zu erstellen und diese viel schneller als bisher zu testen.
Die Zukunft der KI muss umfassend sein und in verschiedenen Bereichen verkörpert sein, damit wir ein hochgradig anpassungsfähiges, ständig lernendes Werkzeug haben.Dafür müssen wir nun die Herangehensweisen überdenkentiefes Lernen. Selbstgesteuertes Lernen ist der Schlüssel zum Erfolg, daher müssen wir Wege finden, unbeaufsichtigte Lernprogramme in Systeme zu integrieren. Und wenn wir über Faltungs-Neuronale Netze sprechen, macht das Feedback-System sie stabiler. Und dies ist der erste Schritt zur Schaffung einer echten Basis für die nächste Generation der KI.
Siehe auch:
Der Schatzsucher findet in Schottland einen 3.000 Jahre alten Schatz
Perseiden-Meteorschauer - 2020: Wo man es sieht, wo man hinschaut und wie man ein Foto macht
Schauen Sie sich die 3D-Karte des Universums an: Sie wurde 20 Jahre lang zusammengestellt und hat Wissenschaftler bereits überrascht