Anima Anandkumarje profesor na Kalifornijskom institutu za tehnologiju i direktor istraživanja na
"Situacija s koronavirusom pokazuje da su ljudi daleko ispred AI"
Kako je započela revolucija umjetne inteligencije?Nekoliko desetljeća, zanimljivootkrića na ovom području. Za osobu ne postoji ništa prizemnije od prepoznavanja slika na ekranu. Ali za AI je ovo izuzetno težak zadatak, jer nije rođen s već danim sposobnostima za to. Znanstvenici su se suočili sa zadatkom da "nauče" mozak stroja identificirati ono što vidi. U prvim danima istraživanja, profesor sa Stanforda počeo je snimati slike kako bi ih računalo lakše klasificiralo. Označene slike pokrenule su revoluciju dubokog neuronskog učenja.
Dosezanje nove razine razvoja umjetne inteligencije započelo je uključivanjem milijardi parametara u program koji će mu omogućiti prepoznavanje određenog objekta.Teškoća je zadatka napraviti duboku neuronsku mrežuu uvjetima nepromjenjivosti prepoznala je, na primjer, psa bez obzira na razliku u držanju, boji, pasmini i tako dalje. AI trening znači da se tijekom obrade slike brojni slojevi okvira gledaju hijerarhijskim redoslijedom. Dakle, na osnovnoj su razini vidljive samo crte pod različitim kutovima. Tada se kombiniraju i čine složenije oblike, na primjer, pseće lice u boji. Oblik, boja i druge pojedinačne karakteristike već se mogu prepoznati. Bila je to faza kada smo naučili podijeliti proces na dijelove, na razine, koji je postao veliki korak naprijed.
Daljnji razvoj zahtijeva ne samo duboke neuronske mreže, već i ogromnu računalnu snagu.Tijekom proteklih desetljeća vidjeli smousporavanje rasta mogućnosti naših računala, pri čemu se brzine računanja s jednom niti više ne udvostručuju. Ali u isto vrijeme, sada možemo simultano izračunati operacije koje su ogromne po opsegu i složenosti. Trenutačni stupanj razvoja dubokih mreža doveo je do činjenice da se milijarde procesa sada mogu odvijati u njima istovremeno. A cilj im je samo jedan: utvrditi što je prikazano na fotografiji. Ovaj se postupak provodi pomoću procesa matrične animacije i drugih tehnologija. I ovdje, naravno, sve ovisi o snazi video kartica.
Do 2014. godine duboke neuronske mreže mogle su prepoznati slike bolje od ljudi, što znači da su danas postale još naprednije.To se dogodilo zahvaljujući kombinaciji tričimbenici: mogućnosti označenih podataka, fleksibilnost postojećih algoritama dubokih neuronskih mreža i goleme mogućnosti računala. Mnogo je izvrsnih primjera koji pokazuju visine koje je strojni mozak već postigao, na primjer, dubinsko učenje s pojačanjem pomoglo je umjetnoj inteligenciji da pobijedi čovjeka u igri Go. Ovaj igrač je bio jedan od najboljih, ali je izgubio. Osim toga, umjetna inteligencija sada je sposobna generirati toliko realistične fotografije ljudi da je ova tehnologija već prošla Turingov test. Čovjek više ne može shvatiti koja je slika stvarna, a koju je stvorio stroj. Ovo su sjajni primjeri uspjeha umjetne inteligencije, ali napredak tu sigurno neće stati.
Međutim, postoji niz primjera kada AI nije ispunio očekivanja.Recimo situaciju u kojoj je ključni aspektje sigurnost. Već nekoliko desetljeća svjedoci smo porasta tehnologije koja se koristi u autonomnim automobilima, ali, nažalost, njihova nesofisticiranost još uvijek dovodi do nesreća. Također, stroj ne može zamijeniti osobu kada je u pitanju kreiranje i uređivanje sadržaja. A trenutna situacija s koronavirusom pokazuje da su ljudi daleko ispred umjetne inteligencije.
Što ćemo raditi u budućnosti, razvijajući umjetnu inteligenciju i tehnologije dubokih neuronskih mreža?Trenutno se aktivno razvijarobotika: na primjer, jedna tvrtka ima robota koji može raditi salte unatrag. Ali on se ne može usporediti ni sa psom. Ovaj robot je nespretan, stalno pada, ali životinja, dok pada, uči kako napraviti ovaj ili onaj pokret sljedeći put bez pada. Ali robot za to nije sposoban, nije obučen. Ovo postavlja pitanje je li moguće napraviti AI koja je spremna sama učiti i rješavati probleme?
"Razumijevanje algoritama nadilazi naše mogućnosti."
Algoritam umjetne inteligencije skup je unaprijed postavljenih informacija i vrlo jasan zadatak.Određujemo koje podatke i preliminarnotreba koristiti zadane parametre, kao i kako provesti proces donošenja odluka. Stvaranje i održavanje AI algoritma zahtijeva ogromne količine podataka. To je teško jer podataka ima sve više, npr. kod prepoznavanja video streama broj prepoznatih okvira je jako velik. Označavanje je problematično jer ljudi dodjeljuju imena milijunima videa, a time i objektima na ekranu.
Što se tiče unaprijed postavljenih parametara, opet se morate nositi s činjenicom da se sve radi ručno.Danas je lako prevariti AI.Na primjer, ako imamo znak stop i na njega postavimo nekoliko blokova, tada umjetna inteligencija više neće razumjeti njegovo značenje. A automobil koji se kreće bez pomoći vozača više ne prepoznaje ovaj znak kao poziv na zaustavljanje. Naša ljudska inteligencija potpuno je drugačija. Možda svoj način razmišljanja možemo prenijeti u računalo, ali to još nismo uspjeli. Što se tiče smjernica, naredbi i uputa, moramo djelovati vrlo jednostavno: dajemo jedan zadatak - prepoznati što je prikazano na ovoj slici. Što se tiče parametara za ocjenu uspješnosti ili neučinkovitosti algoritma, tu smo vrlo ograničeni.
Ponekad ne možemo razumjeti koliko je trenutni algoritam uspješan, jer je izvan našeg razumijevanja.Osim toga, postoji nekoliko problema povezanih sčinjenica da se podaci kojima raspolažemo odnose uglavnom na muškarce svijetle puti. Iz tog razloga AI pogrešno identificira tamnopute žene. Postoje i druge pogreške u prepoznavanju lica. Problem nastaje jer je procjena učinkovitosti umjetne inteligencije izrazito ograničena. Ne smijemo zaboraviti na paradigmu koja kaže da su nam potrebne ogromne količine podataka, a svi oni moraju biti označeni. Zadani parametri moraju biti jasni algoritmu, a sam zadatak mora biti jednostavan i logičan.
Prvo, morate osigurati da podatke ne trebate označavati.AI mora raditi bez ljudske pomoćiračunalo je samo pronalazilo koncepte, formiralo ideje i razumjelo značajke određene slike. Je li teško? Da, jako, ali ljudi to rade, i to s lakoćom. Što se tiče unaprijed postavljenih podataka, ovdje moramo stvoriti vrlo jasne slike, pokazati što je što od podataka koje “hranimo” u sustav. I ovdje možete puno naučiti od ljudskog mozga. I na kraju, zadaci koje dajemo algoritmu. AI mora biti prilagodljiviji, jer sada svaki put treniramo naš sustav od nule, ali moramo ga napraviti tako da se može prilagođavati i mijenjati, obavljati različite zadatke. Dakle, sada treniramo kako umjetnu inteligenciju učiniti fleksibilnom.
Kako razumjeti da je ispred nas mačka?
Mačku prepoznajemo, čak i ako se radi o mutnoj slici, jer naš mozak neprestano pokušava dati određenu oštrinu mutnoj slici za daljnju analizu.Postoji mnogo teorija i jedna od najpoznatijihkaže da ne gledamo samo neki objekt, već istovremeno mozak odabire mogućnosti onoga što on može biti. Duboke neuronske mreže rade isto. Imamo apriorne podatke o tome kako bi mačka trebala izgledati. I pokušavamo uskladiti ovu sliku s idejom kako mačke izgledaju. Važno je to razumjeti tijekom razvoja kako bi postojala dosljednost u identificiranju slika.
Kako možemo postići stabilnost u identifikaciji objekata pomoću umjetnih mreža?To se prirodno događa zbogponovljivost. Snimamo nekakvu vanjsku sliku i gledamo je, a signal odlazi u mozak. Tu su i povratne informacije od vrha prema dolje. Koristeći informacije o tome kako mačka izgleda, mozak formira određenu percepciju. Kako natjerati AI da ove najsloženije procese u našem mozgu implementira? Potrebno je kombinirati dobar klasifikator za pojam "mačka", koji će "hraniti" neuronsku mrežu, s izvrsnim generatorom tih slika. Istodobno će se izvršiti klasifikacija pojma i trening neuronske mreže. Dobit će se povratne informacije za standardne neuronske mreže. A ta će veza pružiti priliku za primanje generativnih povratnih informacija. Drugim riječima, kada pokušava obraditi dolazni signal, osoba pokušava označiti sliku. A tu je i povratna informacija kada pokušavamo generirati percepciju na temelju onoga što vidimo. Ova dva procesa moraju biti međusobno povezana.
Standardna neuronska mreža u pravilu ne može prepoznati nejasne slike, ali naš model zahvaljujući mehanizmu povratne sprege čini slike jasnijima i tada će ih moći prepoznati.Vidimo da se takva shema pokazalaučinkovitost, tako da možemo biti inspirirani kako ljudi vide kada stvaraju računalni vid. Na temelju već razvijenih modela možete kreirati naprednije algoritme koji će imati visoke performanse. Ali također nam je potrebna učinkovita infrastruktura koja može upravljati procesima umjetne inteligencije u velikom broju. Ne radimo s algoritmima pojedinačno. Uzmete neke podatke i trebate ih vizualizirati, što je vrlo složen proces. Stoga vam je potreban snažan procesor sposoban obraditi impresivne količine informacija. Osim toga, koristimo određene okvire (CLARA) za različite primjene, uključujući medicinu. Sada, s obzirom na pandemiju COVID-19, postoji potreba za obukom modela strojnog učenja u velikom broju. Cilj toga je razviti cjepiva i lijekove za virus. Alat CLARA može raditi s trodimenzionalnim strukturama i raznim algoritmima, u biti koordinator njihovog rada.
Sljedeća prilika za učenje AI je korištenje stimuliranih podataka, a ne stvarnih podataka.Imamo niz robota koji mogu postatikuhari u našim kuhinjama. Takvi strojevi mogu otvoriti i zatvoriti ladicu, uzeti neki predmet, miješati ili umutiti nešto. Te operacije, koje su ljudima jednostavne, robotima su vrlo teške, jer ih je problematično uvježbati za to. Ali uz pomoć simulacijskih procesa moći ćemo otvoriti nepostojeće, programirane kutije. I tako robot uči slične operacije. Programi nam omogućuju da to činimo paralelno iu velikoj mjeri, što nam omogućuje da prevladamo ograničenja koja nam podaci nameću. Ali takav sustav obuke znači da je potrebno razviti vrlo složene algoritme koji će stroj odvesti iz svijeta simulacije u stvarni svijet, otvarajući potpuno nove, uzbudljive izglede za rad s umjetnom inteligencijom. Postoji program koji vam omogućuje dodavanje simulacije tim modelima kada se umjetna inteligencija trenira na stvarnim podacima. Ovo je još jedan primjer da imamo dobru infrastrukturu i da možemo raditi na vrlo složenim problemima. Postalo je moguće stvarati nove algoritme i modele, kao i testirati ih mnogo brže nego što je to ranije činjeno.
Budućnost umjetne inteligencije mora biti sveobuhvatna i biti utjelovljena u različitim sferama, tako da imamo vrlo prilagodljiv alat za stalno učenje.Da bismo to učinili, sada moramo preispitati pristupeduboko učenje. Samousmjereno učenje je ključ uspjeha, stoga moramo pronaći načine za ugradnju programa učenja bez nadzora u sustave. A ako govorimo o konvolucijskim neuronskim mrežama, sustav povratnih informacija čini ih stabilnijima. A ovo je prvi korak prema stvaranju prave baze za sljedeću generaciju umjetne inteligencije.
Pogledajte i:
Lovac na blago pronašao je 3000 godina staro blago u Škotskoj
Meseorska kiša Perseidi - 2020: Gdje je vidjeti, gdje pogledati i kako fotografirati
Pogledajte 3D kartu svemira: sastavljena je 20 godina i već je iznenadila znanstvenike