Anima Anandkumarè professore presso il California Institute of Technology e direttore della ricerca presso
"La situazione con il coronavirus mostra che gli esseri umani sono molto più avanti dell'IA"
Come è iniziata la rivoluzione dell’intelligenza artificiale?Per diversi decenni, interessantescoperte in questa zona. Per una persona, non c'è niente di più banale che riconoscere le immagini su uno schermo. Ma per un'IA, questo è un compito estremamente difficile, perché non nasce con abilità già fornite per questo. Gli scienziati dovevano affrontare il compito di "insegnare" al cervello della macchina a identificare ciò che vedeva. All'inizio della ricerca, un professore di Stanford ha iniziato a catturare immagini per facilitare la classificazione da parte di un computer. Sono state etichettate come immagini che hanno dato il via alla rivoluzione del deep neural learning.
Il raggiungimento di un nuovo livello di sviluppo dell'IA è iniziato con l'inclusione di miliardi di parametri nel programma che gli consentiranno di riconoscere un oggetto specifico.La difficoltà del compito è creare una rete neurale profondanelle condizioni di invarianza, ha riconosciuto, ad esempio, un cane indipendentemente dalla differenza di postura, colore, razza e così via. L'addestramento AI significa che durante l'elaborazione delle immagini, un certo numero di livelli del frame vengono visualizzati in ordine gerarchico. Quindi, a livello di base, solo le linee sono visibili a diverse angolazioni l'una dall'altra. Quindi combinano e creano forme più complesse, ad esempio, la faccia di un cane a colori. Forma, colore e altre caratteristiche individuali sono già distinguibili. È stata la fase in cui abbiamo imparato a dividere il processo in parti, in livelli, che è diventato un enorme passo avanti.
L'ulteriore sviluppo richiede non solo reti neurali profonde, ma anche un'enorme potenza di calcolo.Negli ultimi decenni abbiamo vistoil rallentamento nella crescita delle capacità dei nostri computer, con le velocità di elaborazione a thread singolo che non raddoppiano più. Ma allo stesso tempo, ora possiamo calcolare simultaneamente operazioni di enorme volume e complessità. L'attuale livello di sviluppo delle reti profonde ha portato al fatto che ora possono verificarsi miliardi di processi contemporaneamente in esse. E il loro obiettivo è uno solo: determinare cosa viene mostrato nella fotografia. Questa procedura viene eseguita utilizzando processi di animazione della matrice e altre tecnologie. E qui, ovviamente, tutto dipende dalla potenza delle schede video.
Nel 2014, le reti neurali profonde sono state in grado di riconoscere le immagini meglio degli umani, il che significa che oggi sono diventate ancora più avanzate.Ciò è avvenuto grazie alla combinazione di trefattori: le capacità dei dati etichettati, la flessibilità degli algoritmi di rete neurale profonda esistenti e le enormi capacità dei computer. Ci sono molti ottimi esempi di quali traguardi il cervello della macchina abbia già raggiunto, ad esempio, l’apprendimento per rinforzo profondo ha aiutato l’intelligenza artificiale a battere un essere umano nel gioco del Go. Questo giocatore era uno dei migliori, ma ha perso. Inoltre, l’intelligenza artificiale è ora in grado di generare fotografie di persone così realistiche che questa tecnologia ha già superato il test di Turing. Una persona non riesce più a capire quale immagine è reale e quale è stata creata da una macchina. Questi sono ottimi esempi di successo dell’intelligenza artificiale, ma i progressi certamente non si fermeranno qui.
Tuttavia, ci sono una serie di esempi in cui l'IA è stata inferiore alle aspettative.Diciamo una situazione in cui l'aspetto chiaveè la sicurezza. Da diversi decenni assistiamo ad un aumento della tecnologia utilizzata nelle auto autonome, ma sfortunatamente la loro mancanza di sofisticatezza porta ancora a incidenti. Inoltre, una macchina non può sostituire una persona quando si tratta di creazione e modifica di contenuti. E l’attuale situazione del coronavirus dimostra che gli esseri umani sono molto più avanti dell’intelligenza artificiale.
Cosa faremo in futuro, sviluppando intelligenza artificiale e tecnologie di reti neurali profonde?Attualmente in fase di sviluppo attivorobotica: ad esempio, un'azienda ha un robot in grado di eseguire salti mortali all'indietro. Ma non può nemmeno essere paragonato a un cane. Questo robot è goffo, cade costantemente, ma l'animale, cadendo, impara a fare questo o quel movimento la prossima volta senza cadere. Ma il robot non ne è capace, non è addestrato. Ciò solleva la domanda: è possibile realizzare un’intelligenza artificiale pronta ad apprendere e risolvere i problemi da sola?
"La comprensione degli algoritmi va oltre le nostre capacità".
Un algoritmo di intelligenza artificiale è un insieme di informazioni prestabilite e un compito molto chiaro.Determiniamo quali dati e preliminarmentedovrebbero essere utilizzati i parametri forniti, nonché le modalità di attuazione del processo decisionale. La creazione e il mantenimento di un algoritmo di intelligenza artificiale richiedono enormi quantità di dati. Questo è difficile perché ci sono sempre più dati, ad esempio, quando si riconosce un flusso video, il numero di fotogrammi riconosciuti è molto grande. L’etichettatura è problematica perché le persone assegnano nomi a milioni di video, e quindi agli oggetti sullo schermo.
Per quanto riguarda i parametri preimpostati, poi di nuovo devi fare i conti con il fatto che tutto viene fatto manualmente.Al giorno d'oggi è facile ingannare l'intelligenza artificiale.Se ad esempio abbiamo un segnale di stop e vi posizioniamo sopra diversi blocchi, l’intelligenza artificiale non ne capirà più il significato. E un'auto che circola senza assistenza alla guida non riconosce più questo segnale come un invito a fermarsi. La nostra intelligenza umana è completamente diversa. Forse possiamo trasferire il nostro modo di pensare in un computer, ma non siamo ancora riusciti a farlo. Per quanto riguarda le indicazioni, gli ordini e le istruzioni, dobbiamo agire in modo molto semplice: diamo un compito: riconoscere ciò che è mostrato in questa immagine. Per quanto riguarda i parametri per valutare il successo o l'inefficacia dell'algoritmo, qui siamo molto limitati.
A volte non riusciamo a capire quanto sia efficace l'attuale algoritmo, perché è oltre la nostra comprensione.Inoltre, ci sono diversi problemi associatiil fatto che i dati di cui disponiamo riguardano principalmente uomini dalla pelle chiara. Per questo motivo, l’intelligenza artificiale identifica erroneamente le donne dalla pelle scura. Ci sono altri errori nel riconoscimento facciale. Il problema sorge perché la valutazione dell’efficacia dell’intelligenza artificiale è estremamente limitata. Non dobbiamo dimenticare il paradigma secondo cui abbiamo bisogno di enormi quantità di dati e che tutti devono essere etichettati. I parametri preimpostati devono essere chiari per l'algoritmo e il compito stesso deve essere semplice e logico.
Innanzitutto, è necessario assicurarsi di non dover etichettare i dati.L’intelligenza artificiale deve funzionare senza l’assistenza umanail computer stesso trovava concetti, formava idee e comprendeva le caratteristiche di una particolare immagine. È difficile? Sì, moltissimo, ma le persone lo fanno e con facilità. Per quanto riguarda i dati preimpostati, qui occorre creare immagini molto chiare, per mostrare di cosa si tratta i dati che “diamo in pasto” al sistema. E qui puoi imparare molto dal cervello umano. E infine, i compiti che diamo all'algoritmo. L’intelligenza artificiale deve essere più adattiva, perché ora addestriamo il nostro sistema da zero ogni volta, ma dobbiamo farlo in modo che possa adattarsi e cambiare, svolgere compiti diversi. Quindi ora ci stiamo allenando per rendere flessibile l’intelligenza artificiale.
Come capire che abbiamo un gatto?
Riconosciamo un gatto, anche se si tratta di un'immagine sfocata, perché il nostro cervello cerca costantemente di dare una certa nitidezza all'immagine sfocata per ulteriori analisi.Ci sono molte teorie e una delle più famosedice che non solo guardiamo un oggetto, ma allo stesso tempo il cervello seleziona le opzioni per ciò che può essere. Le reti neurali profonde fanno lo stesso. Abbiamo dati a priori su come dovrebbe apparire il gatto. E stiamo cercando di abbinare questa immagine con l'idea di come sono i gatti. È importante comprenderlo durante lo sviluppo per garantire la coerenza dell'identificazione dell'immagine.
Come possiamo raggiungere la stabilità nell'identificazione degli oggetti tramite reti artificiali?Ciò si verifica naturalmente a causa diripetibilità. Prendiamo una foto esterna e la guardiamo, e il segnale va al cervello. C'è anche un feedback dall'alto verso il basso. Usando le informazioni sull'aspetto di un gatto, il cervello forma una percezione specifica. Come possiamo rendere questi processi complessi nel nostro cervello implementati dall'IA? È necessario abbinare un buon classificatore al concetto di "gatto", che "alimenterà" la rete neurale, con un ottimo generatore di queste immagini. Contestualmente avverrà la classificazione del concetto e l'addestramento della rete neurale. Il feedback sarà ottenuto per le reti neurali standard. E questa connessione fornirà l'opportunità di ricevere un feedback generativo. In altre parole, quando si cerca di elaborare il segnale in arrivo, una persona cerca di contrassegnare l'immagine. E poi c'è un feedback quando proviamo a generare una percezione basata su ciò che vediamo. Questi due processi devono essere interconnessi.
Una rete neurale standard, di regola, non è in grado di riconoscere immagini sfocate, ma il nostro modello, grazie a un meccanismo di feedback, rende le immagini più chiare e quindi sarà in grado di riconoscerle.Vediamo che un tale schema ha dimostrato la sua validitàefficacia, quindi possiamo trarre ispirazione da come vedono gli esseri umani quando creano la visione artificiale. Sulla base di modelli già sviluppati, puoi creare algoritmi più avanzati che avranno prestazioni elevate. Ma abbiamo anche bisogno di un’infrastruttura efficiente in grado di gestire i processi di intelligenza artificiale su larga scala. Non lavoriamo con algoritmi individualmente. Prendi alcuni dati e devi visualizzarli, il che è un processo molto complesso. Pertanto, è necessario un potente processore in grado di elaborare quantità impressionanti di informazioni. Inoltre, utilizziamo determinati framework (CLARA) per varie applicazioni, inclusa la medicina. Ora, data la pandemia di COVID-19, è necessario addestrare modelli di machine learning su larga scala. L’obiettivo è sviluppare vaccini e cure per il virus. Lo strumento CLARA può funzionare con strutture tridimensionali e vari algoritmi, essendo essenzialmente il coordinatore del loro lavoro.
Un'altra opportunità di apprendimento dell'IA consiste nell'utilizzare dati stimolati piuttosto che dati reali.Abbiamo una gamma di robot che possono diventarechef nelle nostre cucine. Tali macchine sono in grado di aprire e chiudere un cassetto, prendere un oggetto, mescolare o frullare qualcosa. Queste operazioni, semplici per gli esseri umani, sono molto difficili per i robot, poiché è problematico addestrarli a farlo. Ma con l'aiuto di processi di simulazione saremo in grado di aprire scatole programmate inesistenti. E così il robot impara operazioni simili. I programmi ci permettono di farlo in parallelo e su larga scala, il che ci permette di superare i limiti che i dati ci impongono. Ma un tale sistema di formazione significa che è necessario sviluppare algoritmi molto complessi che porteranno la macchina dal mondo della simulazione a quello reale, aprendo prospettive completamente nuove ed entusiasmanti per lavorare con l’intelligenza artificiale. Esiste un programma che ti consente di aggiungere la simulazione a quei modelli quando l'intelligenza artificiale viene addestrata su dati reali. Questo è un altro esempio del fatto che disponiamo di buone infrastrutture e possiamo lavorare su problemi molto complessi. È diventato possibile creare nuovi algoritmi e modelli, nonché testarli molto più velocemente di quanto fatto in precedenza.
Il futuro dell'IA deve essere completo e incarnarsi in ambiti diversi in modo da disporre di uno strumento altamente adattivo e di apprendimento costante.Per fare ciò, ora dobbiamo ripensare gli approcci aapprendimento profondo. L’apprendimento autodiretto è la chiave del successo, quindi dobbiamo trovare modi per integrare programmi di apprendimento non supervisionato nei sistemi. E se parliamo di reti neurali convoluzionali, il sistema di feedback le rende più stabili. E questo è il primo passo verso la creazione di una base reale per la prossima generazione di IA.
Vedi anche:
Il cacciatore di tesori trova un tesoro di 3000 anni in Scozia
Perseids Meteor Shower - 2020: dove vederlo, dove guardare e come scattare una foto
Guarda la mappa 3D dell'Universo: è stata compilata per 20 anni e ha già sorpreso gli scienziati