Anima Anandkumar — профессор в Калифорнийском технологическом институте и директор по исследованиям в
"Koronaviruksen tilanne osoittaa, että ihmiset ovat kaukana tekoälystä"
Как началась революция искусственного интеллекта? Useiden vuosikymmenien ajan, mielenkiintoinenlöytöjä tällä alueella. Henkilölle ei ole mitään arkisempaa kuin kuvien tunnistaminen näytöllä. Tekoälylle tämä on kuitenkin erittäin vaikea tehtävä, koska se ei synny jo annetuilla kyvyillä tähän. Tutkijoiden oli tehtävä "opettaa" koneen aivot tunnistamaan näkemänsä. Tutkimuksen alkuaikoina Stanfordin professori aloitti kuvien ottamisen, jotta tietokoneella olisi helpompi luokitella niitä. Se oli merkitty kuvilla, jotka aloittivat syvän hermooppimisen vallankumouksen.
Выход на новый уровень разработки ИИ начался с закладывания в программу миллиардов параметров, которые позволят ему узнать конкретный объект. Tehtävän vaikeus on luoda syvä hermoverkkomuuttumattomuusolosuhteissa hän tunnisti esimerkiksi koiran asennon, värin, rodun jne. eroista riippumatta. Tekoälykoulutus tarkoittaa, että kuvankäsittelyn aikana useita kehyksen kerroksia tarkastellaan hierarkkisessa järjestyksessä. Joten perustasolla vain viivat näkyvät eri kulmissa toisiinsa nähden. Sitten he yhdistävät ja muodostavat monimutkaisempia muotoja, esimerkiksi koiran kasvot väriltään. Muoto, väri ja muut yksilölliset ominaisuudet ovat jo erotettavissa. Siitä vaiheesta, jolloin opimme jakamaan prosessin osiksi, tasoiksi, tuli valtava edistysaskel.
Jatkokehitys vaatii paitsi syviä hermoverkkoja myös valtavaa laskentatehoa. На протяжении последних десятилетий мы видели замедление роста возможностей наших компьютеров, когда больше не увеличивается в два раза скорость однопоточных вычислений. Но при этом сейчас мы можем параллельно производить расчет огромных по объему и сложности операций. Современный уровень развития глубинных сетей привел к тому, что сейчас в них могут происходить миллиарды процессов одновременно. И цель их лишь одна: определить, что же изображено на фотографии. Эта процедура осуществляется с помощью матриксных мультипликационных процессов и других технологий. И здесь, конечно, всё зависит от мощности видеокарт.
Vuoteen 2014 mennessä syvät hermoverkot pystyivät tunnistamaan kuvat paremmin kuin ihmiset, mikä tarkoittaa, että nykyään niistä on tullut vielä edistyneempiä. Это произошло благодаря объединению трех факторов: возможностей маркированных данных, гибкости существующих алгоритмов глубинных нейросетей и огромных возможностей компьютеров. Есть много прекрасных примеров того, какие высоты уже брал машинный мозг, например, глубинное обучение с подкреплением помогло ИИ победить человека в игре го. Этот игрок был одним из лучших, но он проиграл. Кроме того, сейчас искусственный интеллект способен генерировать фотографии людей настолько реалистичные, что эта технология уже прошла тест Тьюринга. Человек уже не может понять, какое изображение реально, а какое было создано машиной. Это отличные примеры успехов ИИ, но, наверняка, на этом прогресс не остановится.
On kuitenkin olemassa useita esimerkkejä, joissa tekoäly jäi odotuksia alhaisemmaksi. Допустим, ситуации, где ключевым аспектом является безопасность. Уже несколько десятилетий мы видим усиление технологий, которые используются в автономных автомобилях, но, к сожалению, их недостаточное совершенство всё равно приводит к авариям. Также машина не может заменить человека в том, что касается создания контента и его редактирования. И нынешняя ситуация с коронавирусом показывает, что люди намного опережают ИИ.
Mitä teemme tulevaisuudessa kehittäen tekoälyä ja syvähermoverkkojen tekniikoita? На данный момент активно развивается робототехника: например, у одной компании есть робот, который умеет делать сальто назад. Но его нельзя даже сравнить с собакой. Этот робот неловкий, постоянно падает, но животное, падая, учится, как в следующий раз сделать то или иное движение, не упав. А робот на это не способен, он не обучен. Здесь возникает вопрос, возможно ли сделать ИИ, который будет готов самостоятельно обучаться и решать проблемы?
"Algoritmien ymmärtäminen ylittää kykymme."
Tekoälyn algoritmi on joukko ennalta asetettuja tietoja ja hyvin selkeä tehtävä. Мы определяем, какие данные и предварительно заданные параметры должны использоваться, а также как реализовать процесс принятия решений. Для создания и поддержания алгоритма ИИ нужны огромные объемы данных. Это сложно, потому что данных становится всё больше и больше, например, при распознавании видеопотока количество распознаваемых кадров очень велико. Проблематично проводить маркирование, потому что люди присваивают названия миллионам видеороликов, а значит, и объектам на экране.
Mitä tulee ennalta asetettuihin parametreihin, sinun on jälleen käsiteltävä sitä, että kaikki tehdään manuaalisesti. Сейчас легко обмануть ИИ. Например, если у нас есть знак «Стоп» и мы поместим на него несколько блоков, то искусственный интеллект уже не поймет его значения. И автомобиль, двигающийся без помощи водителя, уже не распознает этот знак как призыв остановиться. Наш, человеческий интеллект совершенно другой. Может быть, мы сможем перенести образ нашего мышления в компьютер, но пока мы этого не смогли сделать. Что касается указаний, приказов и инструкций, то приходится действовать очень просто: мы даём одну задачу — распознать, что изображено на этой картинке. А что касается параметров оценки успеха либо неэффективности работы алгоритма, то здесь мы очень ограничены.
Joskus emme voi ymmärtää, kuinka menestyvä nykyinen algoritmi on, koska se on ymmärryksemme ulkopuolella. Кроме того, есть несколько проблем, связанных с тем, что данные, которые у нас есть, в основном касаются мужчин со светлой кожей. По этой причине ИИ неправильно определяет темнокожих женщин. Имеются и другие ошибки в распознавании лиц. Проблема возникает из-за того, что оценка эффективности искусственного интеллекта крайне ограничена. Не нужно забывать о парадигме, которая гласит, что нам нужны огромные объемы данных, и все они должны быть маркированы. Заранее заложенные параметры должны быть понятны алгоритму, а само задание должно быть простым и логичным.
Ensin on varmistettava, että sinun ei tarvitse merkitä tietoja. ИИ должен работать без помощи человека, чтобы компьютер сам находил концепты, формировал идеи, понимал особенности того или иного изображения. Сложно ли это? Да, очень, но ведь люди это делают, причем с легкостью. Что касается заранее закладываемых данных, здесь нужно создавать очень четкие образы, показывать, что есть что из тех данных, которые мы «скармливаем» системе. И здесь можно многому научиться у мозга человека. Ну и, наконец, задания, которые мы даём алгоритму. ИИ должен быть более адаптивным, потому что сейчас мы каждый раз с нуля обучаем нашу систему, а нужно сделать так, чтобы она могла адаптироваться и меняться, выполнять разные задания. Так что сейчас мы тренируемся, чтобы сделать искусственный интеллект гибким.
Kuinka ymmärtää, että meillä on kissa?
Мы узнаем кошку, даже если это размытая картинка, потому что наш мозг постоянно пытается размытому изображению придать определенную резкость для дальнейшего анализа. Teorioita on monia ja yksi kuuluisimmistasanoo, että emme vain tarkastele jotakin esinettä, mutta samalla aivot valitsevat vaihtoehdot sille mitä se voi olla. Syvät hermoverkot tekevät samoin. Meillä on ennakkotietoja kissan ulkonäöstä. Ja yritämme sovittaa tämän kuvan ajatukseen siitä, miltä kissat näyttävät. On tärkeää ymmärtää tämä kehityksen aikana kuvan tunnistamisen yhtenäisyyden varmistamiseksi.
Как нам прийти к стабильности в идентификации объектов искусственными сетями? Tämä tapahtuu luonnollisestitoistettavuus. Otamme jonkin ulkoisen kuvan ja katsomme sitä, ja signaali menee aivoihin. Palautetta on myös ylhäältä alas. Käyttämällä tietoja siitä, miltä kissa näyttää, aivot muodostavat tietyn käsityksen. Kuinka tekoäly toteuttaa nämä aivojemme monimutkaisimmat prosessit? On välttämätöntä yhdistää hyvä luokittelija käsitteelle "kissa", joka "ruokkii" hermoverkkoa, näiden kuvien erinomaisella generaattorilla. Samalla tapahtuu neuroverkon konseptin luokittelu ja koulutus. Palaute saadaan tavallisista hermoverkoista. Ja tämä yhteys tarjoaa mahdollisuuden saada generatiivista palautetta. Toisin sanoen yrittäessään käsitellä saapuvaa signaalia henkilö yrittää leimata kuvan. Ja sitten on palautetta, kun yritämme luoda käsitystä näkemämme perusteella. Nämä kaksi prosessia on kytkettävä toisiinsa.
Tavallinen hermoverkko ei pääsääntöisesti tunnista sumeita kuvia, mutta palautemekanismin ansiosta mallimme tekee kuvista selkeämmät ja pystyy sitten tunnistamaan ne. Мы видим, что такая схема доказала свою действенность, поэтому можем вдохновляться тем, как видит человек, при создании компьютерного зрения. На основе уже разработанных моделей можно создавать более совершенные алгоритмы, которые будут отличаться высокой производительностью. Но также нужна эффективная инфраструктура, которая будет обрабатывать процессы ИИ в большом масштабе. Мы работаем с алгоритмами не по отдельности. Вы берете какие-то данные и их нужно визуализировать, что является очень сложным процессом. Поэтому нужен мощный процессор, способный обрабатывать внушительные объемы информации. Кроме того, мы используем определенные фреймворки (CLARA) для разных приложений, в том числе и для медицины. Сейчас с учетом пандемии COVID-19 появилась потребность в том, чтобы тренировать модели машинного обучения в больших масштабах. Целью этого является разработка вакцин и лекарств от вируса. Инструмент CLARA может работать с объемными структурами и различными алгоритмами, являясь по сути координатором их работы.
Toinen tekoälyn oppimismahdollisuus on käyttää stimuloitua dataa todellisten tietojen sijaan. У нас есть ряд роботов, которые могут стать шеф-поварами на наших кухнях. Такие машины способны открыть и закрыть ящик, взять какой-то предмет, что-то смешать или взбить. Эти простые для человека операции очень сложны для роботов, так как обучить их этому проблематично. Но с помощью процессов моделирования мы сможем открывать несуществующие, запрограммированные ящики. И таким образом робот учится подобным операциям. Программы позволяют делать это параллельно и в больших масштабах, что позволяет преодолеть ограничения, которые накладывают на нас данные. Но такая система обучения означает, что нужно разработать очень сложные алгоритмы, которые переведут машину из мира симуляции в реальный мир, открывая совершенно новые, захватывающие перспективы работы с ИИ. Есть программа, которая позволяет добавлять симуляцию к тем моделям, когда искусственный интеллект обучается на реальных данных. Это еще один пример того, что у нас есть хорошая инфраструктура и мы можем работать с очень сложными проблемами. Появилась возможность создавать новые алгоритмы и модели, а также тестировать их гораздо быстрее, чем это делалось ранее.
Tekoälyn tulevaisuuden on oltava kattava ja sen on oltava eri aloilla, jotta meillä on erittäin mukautuva, jatkuvasti oppiva työkalu. Для этого сейчас нужно переосмыслить подходы к глубокому обучению. Самостоятельное обучение является ключом к успеху, поэтому нужно находить способы встраивать программы неконтролируемого обучения в системы. И если говорить о сверточных нейросетях, система обратной связи делает их более устойчивым. А это первый шаг к тому, чтобы создать реальную базу для ИИ нового поколения.
Katso myös:
Aarremetsästäjä löytää 3000-vuotias aarre Skotlannista
Perseids Meteor Shower - 2020: Mistä nähdä, mistä etsiä ja miten ottaa valokuva
Katso maailmankaikkeuden 3D-karttaa: se on koottu 20 vuoden ajan ja se on jo yllättänyt tutkijoita