אנימה אנאנדקומארהוא פרופסור במכון הטכנולוגי של קליפורניה ומנהל מחקר ב
"המצב עם נגיף הקורונו מראה כי בני האדם הם הרבה לפני ה- AI"
כיצד החלה מהפכת הבינה המלאכותית?במשך כמה עשורים, מענייןתגליות באזור זה. עבור אדם, אין דבר יותר יומיומי מאשר להכיר תמונות על גבי מסך. אבל עבור AI זו משימה קשה ביותר, מכיוון שהיא לא נולדת עם יכולות שכבר ניתנו לכך. המדענים עמדו בפני המשימה "ללמד" את מוח המכונה לזהות את מה שהיא ראתה. בתחילת המחקר החל פרופסור מסטנפורד לצלם תמונות כדי להקל על סיווג המחשב. היו אלה תמונות שכותרתה שהתחילה את מהפכת הלמידה העצבית העמוקה.
הגעה לרמה חדשה של פיתוח בינה מלאכותית החלה עם הכללת מיליארדי פרמטרים בתוכנית שיאפשרו לה לזהות אובייקט ספציפי.הקושי של המשימה הוא ליצור רשת עצבית עמוקהבתנאי הקיום היא זיהתה, למשל, כלב ללא קשר להבדל ביציבה, צבע, גזע וכן הלאה. אימון AI פירושו כי במהלך עיבוד תמונות, מספר שכבות של המסגרת נצפות בסדר היררכי. אז ברמה הבסיסית, רק קווים נראים בזוויות שונות זה לזה. ואז הם משלבים ויוצרים צורות מורכבות יותר, למשל, פנים של כלב בצבע. ניתן להבחין בין הצורה, הצבע ומאפיינים אישיים אחרים. זה היה השלב בו למדנו לחלק את התהליך לחלקים, לרמות, שהפך לצעד עצום קדימה.
פיתוח נוסף דורש לא רק רשתות עצביות עמוקות, אלא גם כוח מחשוב עצום.במהלך העשורים האחרונים ראינוההאטה בצמיחת היכולות של המחשבים שלנו, כאשר מהירויות המחשוב עם חוט יחיד כבר לא מוכפלות. אך יחד עם זאת, אנו יכולים כעת לחשב בו זמנית פעולות שהן עצומות בנפח ובמורכבות. רמת הפיתוח הנוכחית של רשתות עמוקות הובילה לכך שמיליארדי תהליכים יכולים להתרחש בהן כעת בו זמנית. והמטרה שלהם היא רק אחת: לקבוע מה מוצג בתצלום. הליך זה מתבצע באמצעות תהליכי אנימציה מטריצת וטכנולוגיות אחרות. וכאן, כמובן, הכל תלוי בעוצמת כרטיסי המסך.
עד שנת 2014, רשתות עצביות עמוקות הצליחו לזהות תמונות טוב יותר מבני אדם, מה שאומר שהיום הן הפכו למתקדמות עוד יותר.זה קרה הודות לשילוב של שלושהגורמים: היכולות של נתונים מסומנים, הגמישות של אלגוריתמים קיימים של רשתות עצביות עמוקות והיכולות העצומות של מחשבים. יש הרבה דוגמאות נהדרות לאילו גבהים מוח המכונה כבר השיג, למשל, למידת חיזוק עמוק עזרה לבינה מלאכותית לנצח אדם במשחק Go. השחקן הזה היה אחד הטובים, אבל הוא הפסיד. בנוסף, בינה מלאכותית מסוגלת כעת ליצור צילומים של אנשים כל כך מציאותיים שהטכנולוגיה הזו כבר עברה את מבחן טיורינג. אדם כבר לא יכול להבין איזו תמונה אמיתית ואיזו נוצרה על ידי מכונה. אלו הן דוגמאות נהדרות להצלחת AI, אבל ההתקדמות בהחלט לא תיעצר שם.
עם זאת, קיימות מספר דוגמאות בהן AI לא נחתה מציפיות.נניח מצב שבו ההיבט המרכזיהוא בטיחות. כבר כמה עשורים אנו רואים עלייה בטכנולוגיה המשמשת במכוניות אוטונומיות, אך למרבה הצער, חוסר התחכום שלהן עדיין מוביל לתאונות. כמו כן, מכונה לא יכולה להחליף אדם בכל הנוגע ליצירת ועריכת תוכן. ומצב הקורונה הנוכחי מראה שבני אדם מקדימים בהרבה את הבינה המלאכותית.
מה נעשה בעתיד, בפיתוח בינה מלאכותית וטכנולוגיות של רשתות עצביות עמוקות?כרגע בפיתוח פעילרובוטיקה: לדוגמה, לחברה אחת יש רובוט שיכול לעשות סיבובים לאחור. אבל אי אפשר אפילו להשוות אותו לכלב. הרובוט הזה מגושם, נופל כל הזמן, אבל החיה, תוך כדי נפילה, לומדת איך לעשות תנועה כזו או אחרת בפעם הבאה בלי ליפול. אבל הרובוט לא מסוגל לזה, הוא לא מאומן. זה מעלה את השאלה, האם ניתן ליצור בינה מלאכותית שמוכנה ללמוד ולפתור בעיות בעצמה?
"הבנת האלגוריתמים היא מעבר ליכולות שלנו."
אלגוריתם של בינה מלאכותית הוא אוסף של מידע שהונח מראש ומשימה מאוד ברורה.אנו קובעים אילו נתונים ובאופן ראשונייש להשתמש בפרמטרים הנתונים, כמו גם כיצד ליישם את תהליך קבלת ההחלטות. יצירה ותחזוקה של אלגוריתם AI דורשים כמויות אדירות של נתונים. זה קשה כי יש יותר ויותר נתונים, למשל, כאשר מזהים זרם וידאו, מספר הפריימים המזוהים גדול מאוד. התיוג הוא בעייתי מכיוון שאנשים מעניקים שמות למיליוני סרטונים, ולכן לאובייקטים על המסך.
באשר לפרמטרים שהונחו מראש, אז שוב אתה צריך להתמודד עם העובדה שהכל נעשה ידנית.קל לרמות בינה מלאכותית בימינו.למשל, אם יש לנו תמרור עצור ונציב עליו כמה בלוקים, אז הבינה המלאכותית כבר לא תבין את המשמעות שלו. ומכונית שנעה ללא סיוע לנהג כבר לא מזהה את השלט הזה כקריאה לעצור. האינטליגנציה האנושית שלנו שונה לחלוטין. אולי נוכל להעביר את דרך החשיבה שלנו למחשב, אבל עדיין לא הצלחנו לעשות זאת. באשר להנחיות, פקודות והוראות, עלינו לפעול בצורה פשוטה מאוד: אנו נותנים משימה אחת - לזהות את מה שמוצג בתמונה זו. באשר לפרמטרים להערכת הצלחתו או חוסר היעילות של האלגוריתם, כאן אנו מוגבלים מאוד.
לפעמים איננו יכולים להבין עד כמה האלגוריתם הנוכחי מצליח, מכיוון שהוא מעבר להבנתנו.בנוסף, ישנן מספר בעיות הקשורותהעובדה שהנתונים שיש לנו הם בעיקר על גברים בהירי עור. מסיבה זו, בינה מלאכותית מזהה נשים כהות עור. ישנן שגיאות נוספות בזיהוי פנים. הבעיה מתעוררת מכיוון שהערכת היעילות של בינה מלאכותית מוגבלת ביותר. אסור לשכוח את הפרדיגמה שאומרת שאנחנו צריכים כמויות אדירות של נתונים, ואת כל זה יש לתייג. הפרמטרים שנקבעו מראש חייבים להיות ברורים לאלגוריתם, והמשימה עצמה חייבת להיות פשוטה והגיונית.
ראשית, עליכם להבטיח כי אינכם צריכים לתייג את הנתונים.AI חייב לעבוד ללא סיוע אנושיהמחשב עצמו מצא מושגים, יצר רעיונות והבין את התכונות של תמונה מסוימת. האם זה קשה? כן, מאוד, אבל אנשים עושים את זה, ובקלות. לגבי הנתונים שנקבעו מראש, כאן אנחנו צריכים ליצור תמונות מאוד ברורות, להראות מה זה מה הנתונים שאנחנו "מזינים" למערכת. וכאן אפשר ללמוד הרבה מהמוח האנושי. ולבסוף, המשימות שאנו נותנים לאלגוריתם. בינה מלאכותית חייבת להיות יותר אדפטיבית, כי עכשיו אנחנו מאמנים את המערכת שלנו מאפס בכל פעם, אבל אנחנו צריכים לעשות אותה כך שהיא תוכל להסתגל ולשנות, לבצע משימות שונות. אז עכשיו אנחנו מתאמנים להגמיש את הבינה המלאכותית.
איך להבין שיש לפנינו חתול?
אנחנו מזהים חתול, גם אם זו תמונה מטושטשת, כי המוח שלנו מנסה כל הזמן לתת חדות מסוימת לתמונה המטושטשת לצורך ניתוח נוסף.ישנן תיאוריות רבות, ואחת המפורסמות ביותראומר שאנחנו לא מסתכלים רק על אובייקט כלשהו, אלא באותו זמן המוח בוחר אפשרויות למה שהוא יכול להיות. רשתות עצביות עמוקות עושות את אותו הדבר. יש לנו נתונים אפריוריים על איך החתול צריך להיראות. ואנחנו מנסים להתאים תמונה זו לרעיון איך נראים חתולים. חשוב להבין זאת במהלך הפיתוח כדי להבטיח עקביות של זיהוי תמונה.
כיצד נוכל להשיג יציבות בזיהוי עצמים על ידי רשתות מלאכותיות?זה קורה באופן טבעי עקבהֲדִירוּת. אנחנו מצלמים תמונה חיצונית כלשהי ומסתכלים עליה, והאות עובר למוח. יש גם משוב מלמעלה למטה. באמצעות מידע על איך חתול נראה, המוח יוצר תפיסה ספציפית. כיצד נוכל ליישם תהליכים מורכבים אלה במוחנו על ידי AI? יש לשלב מסווג טוב למושג "חתול", אשר "יאכיל" את הרשת העצבית, עם מחולל מצוין של תמונות אלה. במקביל, סיווג הרעיון וההכשרה של הרשת העצבית יתקיים. משוב יתקבל עבור רשתות עצביות סטנדרטיות. וחיבור זה יספק הזדמנות לקבל משוב גנרי. במילים אחרות, כאשר מנסים לעבד את האות הנכנס, אדם מנסה לתייג את התמונה. ואז יש משוב כשאנחנו מנסים לייצר תפיסה על סמך מה שאנחנו רואים. יש לקשר בין שני התהליכים הללו.
רשת עצבית סטנדרטית, ככלל, אינה יכולה לזהות תמונות מטושטשות, אך המודל שלנו, הודות למנגנון משוב, מבהיר את התמונות ואז יכול לזהות אותן.אנו רואים שתוכנית כזו הוכיחה את שלהאפקטיביות, כך שנוכל לקבל השראה מהאופן שבו בני אדם רואים בעת יצירת ראייה ממוחשבת. בהתבסס על מודלים שכבר פותחו, אתה יכול ליצור אלגוריתמים מתקדמים יותר שיהיו בעלי ביצועים גבוהים. אבל אנחנו גם צריכים תשתית יעילה שיכולה להתמודד עם תהליכי בינה מלאכותית בקנה מידה. אנחנו לא עובדים עם אלגוריתמים בנפרד. אתה לוקח כמה נתונים ואתה צריך לדמיין אותם, שזה תהליך מאוד מורכב. לכן, אתה צריך מעבד חזק המסוגל לעבד כמויות מרשימות של מידע. בנוסף, אנו משתמשים במסגרות מסוימות (CLARA) עבור יישומים שונים, כולל רפואה. כעת, לאור מגיפת COVID-19, יש צורך להכשיר מודלים של למידת מכונה בקנה מידה. המטרה של זה היא לפתח חיסונים ותרופות לנגיף. הכלי CLARA יכול לעבוד עם מבנים תלת מימדיים ואלגוריתמים שונים, בעצם להיות הרכז של עבודתם.
הזדמנות למידה נוספת של AI היא שימוש בנתונים מגורה ולא בנתונים אמיתיים.יש לנו מגוון רובוטים שיכולים להפוךשפים במטבחים שלנו. מכונות כאלה מסוגלות לפתוח ולסגור מגירה, לקחת חפץ, לערבב או להקציף משהו. פעולות אלו, שהן פשוטות לבני אדם, קשות מאוד לרובוטים, שכן בעייתי לאמן אותם לעשות זאת. אבל בעזרת תהליכי סימולציה נוכל לפתוח קופסאות מתוכנתות שאינן קיימות. וכך הרובוט לומד פעולות דומות. תוכניות מאפשרות לנו לעשות זאת במקביל ובקנה מידה גדול, מה שמאפשר לנו להתגבר על המגבלות שהנתונים כופים עלינו. אבל מערכת הדרכה כזו פירושה שצריך לפתח אלגוריתמים מורכבים מאוד שייקחו את המכונה מעולם הסימולציה לעולם האמיתי, ויפתחו אפשרויות חדשות לגמרי ומרגשות לעבודה עם AI. יש תוכנית שמאפשרת להוסיף סימולציה לאותם מודלים כאשר בינה מלאכותית מאומנת על נתונים אמיתיים. זו עוד דוגמה לכך שיש לנו תשתית טובה ויכולים לעבוד על בעיות מורכבות מאוד. אפשר היה ליצור אלגוריתמים ומודלים חדשים, כמו גם לבדוק אותם הרבה יותר מהר ממה שנעשה בעבר.
עתיד ה- AI חייב להיות מקיף ולהתגלם בתחומים שונים, כך שיהיה לנו כלי שניתן ללמוד, כל הזמן.כדי לעשות זאת, כעת עלינו לחשוב מחדש על גישות ללמידה עמוקה. למידה מכוונת עצמית היא המפתח להצלחה, ולכן עלינו למצוא דרכים לבנות תוכניות למידה ללא פיקוח לתוך מערכות. ואם מדברים על רשתות עצביות קונבולוציוניות, מערכת המשוב הופכת אותן ליציבות יותר. וזהו הצעד הראשון לקראת יצירת בסיס אמיתי לדור הבא של AI.
ראה גם:
צייד האוצר מוצא אוצר בן 3000 שנה בסקוטלנד
מקלחת המטאורים של Perseids - 2020: איפה לראות את זה, איפה להסתכל ואיך לצלם
התבונן במפת התלת מימד של היקום: היא נערכה במשך 20 שנה והיא כבר הפתיעה מדענים