Anima Anandkumarje profesorom na Kalifornskom technologickom inštitúte a riaditeľom výskumu na
„Situácia s koronavírusom ukazuje, že ľudia sú ďaleko pred AI“
Ako začala revolúcia umelej inteligencie?Niekoľko desaťročí, zaujímavéobjavy v tejto oblasti. Pre človeka nie je nič viac svetského ako rozpoznávanie obrazov na obrazovke. Ale pre AI je to mimoriadne náročná úloha, pretože sa nenarodí s už danými schopnosťami. Vedci čelili úlohe „učiť“ strojový mozog, aby identifikovali, čo videli. Začiatkom výskumu začal Stanfordský profesor zaznamenávať obrázky, aby ich počítač mohol ľahšie klasifikovať. To boli označené obrázky, ktoré začali hlbokú revolúciu nervového učenia.
Dosiahnutie novej úrovne vývoja AI sa začalo zahrnutím miliárd parametrov do programu, ktoré mu umožnia rozpoznať konkrétny objekt.Obtiažnosť tejto úlohy spočíva v vytvorení hlbokej neurónovej sietev podmienkach nemennosti rozpoznala napríklad psa bez ohľadu na rozdiel v postoji, farbe, plemene atď. Výcvik AI znamená, že počas spracovania obrazu sa určitý počet vrstiev rámca zobrazuje v hierarchickom poradí. Takže na základnej úrovni sú viditeľné iba čiary v rôznych uhloch. Potom kombinujú a vytvárajú zložitejšie tvary, napríklad farbu psa. Tvar, farba a ďalšie individuálne vlastnosti sú už odlíšiteľné. Bol to krok, keď sme sa naučili rozdeliť proces na časti, na úrovne, ktorý sa stal obrovským krokom vpred.
Ďalší vývoj si vyžaduje nielen hlboké neurónové siete, ale aj obrovský výpočtový výkon.Za posledné desaťročia sme videlispomalenie rastu schopností našich počítačov, pričom jednovláknové výpočtové rýchlosti sa už nezdvojnásobujú. Zároveň však teraz môžeme súčasne počítať operácie, ktoré sú obrovské v objeme a zložitosti. Súčasná úroveň rozvoja hlbokých sietí viedla k tomu, že v nich teraz môžu prebiehať miliardy procesov súčasne. A ich cieľ je len jeden: určiť, čo je na fotografii zobrazené. Tento postup sa vykonáva pomocou procesov maticovej animácie a iných technológií. A tu, samozrejme, všetko závisí od výkonu grafických kariet.
Do roku 2014 boli hlboké neurónové siete schopné rozoznať obrázky lepšie ako ľudia, čo znamená, že dnes sú ešte pokročilejšie.Stalo sa tak vďaka kombinácii trochfaktory: možnosti označených údajov, flexibilita existujúcich algoritmov hlbokých neurónových sietí a obrovské možnosti počítačov. Existuje mnoho skvelých príkladov toho, aké výšky už strojový mozog dosiahol, napríklad učenie s hlbokým posilnením pomohlo AI poraziť človeka v hre Go. Tento hráč bol jedným z najlepších, no prehral. Umelá inteligencia je teraz navyše schopná generovať fotografie ľudí natoľko realistické, že táto technológia už prešla Turingovým testom. Človek už nedokáže pochopiť, ktorý obraz je skutočný a ktorý bol vytvorený strojom. Toto sú skvelé príklady úspechu AI, ale pokrok sa tam určite nezastaví.
Existuje však niekoľko príkladov, keď AI nedosiahla očakávania.Povedzme situáciu, kedy je kľúčovým aspektomje bezpečnosť. Už niekoľko desaťročí zaznamenávame nárast technológií používaných v autonómnych autách, no, žiaľ, ich nedokonalosť stále vedie k nehodám. Stroj tiež nemôže nahradiť osobu, pokiaľ ide o vytváranie a úpravu obsahu. A súčasná situácia s koronavírusom ukazuje, že ľudia sú ďaleko pred AI.
Čo urobíme v budúcnosti pri vývoji umelej inteligencie a technológií hlbokých neurónových sietí?V súčasnosti sa aktívne rozvíjarobotika: napríklad jedna spoločnosť má robota, ktorý vie robiť premety. Ale so psom sa nedá ani porovnať. Tento robot je nemotorný, neustále padá, ale zviera sa pri páde učí, ako urobiť ten či onen pohyb nabudúce bez pádu. Ale robot toho nie je schopný, nie je natrénovaný. To vyvoláva otázku, je možné vytvoriť AI, ktorá je pripravená učiť sa a riešiť problémy sama?
„Porozumenie algoritmom je nad naše možnosti.“
Algoritmus umelej inteligencie je súbor vopred stanovených informácií a veľmi jasná úloha.Určujeme aké údaje a predbežnemali by sa použiť dané parametre, ako aj spôsob realizácie rozhodovacieho procesu. Vytvorenie a údržba algoritmu AI si vyžaduje obrovské množstvo údajov. Je to ťažké, pretože údajov je stále viac a viac, napríklad pri rozpoznávaní video streamu je počet rozpoznaných snímok veľmi veľký. Označovanie je problematické, pretože ľudia priraďujú mená k miliónom videí, a teda aj k objektom na obrazovke.
Pokiaľ ide o vopred stanovené parametre, musíte sa opäť vysporiadať s tým, že všetko sa vykonáva ručne.V dnešnej dobe je ľahké oklamať AI.Ak máme napríklad stopku a umiestnime na ňu niekoľko blokov, tak umelá inteligencia prestane chápať jej význam. A auto pohybujúce sa bez asistencie vodiča už túto značku nerozozná ako výzvu na zastavenie. Naša ľudská inteligencia je úplne iná. Možno dokážeme preniesť svoj spôsob myslenia do počítača, ale zatiaľ sa nám to nepodarilo. Čo sa týka pokynov, príkazov a pokynov, musíme konať veľmi jednoducho: dáme jednu úlohu – rozpoznať, čo je na tomto obrázku zobrazené. Čo sa týka parametrov na posúdenie úspešnosti či neefektívnosti algoritmu, tu sme veľmi limitovaní.
Niekedy nedokážeme pochopiť, aký úspešný je súčasný algoritmus, pretože je nad naše chápanie.Okrem toho je spojených niekoľko problémovfakt, že údaje, ktoré máme, sa týkajú najmä mužov svetlej pleti. Z tohto dôvodu AI nesprávne identifikuje ženy tmavej pleti. Existujú aj ďalšie chyby v rozpoznávaní tváre. Problém nastáva, pretože hodnotenie efektivity umelej inteligencie je extrémne obmedzené. Nesmieme zabúdať na paradigmu, ktorá hovorí, že potrebujeme obrovské množstvo údajov a všetky musia byť označené. Prednastavené parametre musia byť jasné pre algoritmus a samotná úloha musí byť jednoduchá a logická.
Najskôr sa musíte ubezpečiť, že údaje nemusíte označovať.AI musí fungovať bez ľudskej pomocipočítač sám našiel koncepty, vytvoril nápady a pochopil vlastnosti konkrétneho obrazu. Je to zložité? Áno, veľmi, ale ľudia to robia a s ľahkosťou. Čo sa týka prednastavených údajov, tu musíme vytvoriť veľmi jasné obrázky, ukázať, čo je to s údajmi, ktoré „napájame“ do systému. A tu sa môžete veľa naučiť z ľudského mozgu. A nakoniec úlohy, ktoré dávame algoritmu. Umelá inteligencia musí byť prispôsobivejšia, pretože teraz trénujeme náš systém zakaždým od nuly, ale musíme ho urobiť tak, aby sa mohol prispôsobovať a meniť, vykonávať rôzne úlohy. Takže teraz trénujeme, aby bola umelá inteligencia flexibilná.
Ako pochopiť, že je pred nami mačka?
Rozoznávame mačku, aj keď je to rozmazaný obrázok, pretože náš mozog sa neustále snaží dať rozmazanému obrázku určitú ostrosť na ďalšiu analýzu.Existuje veľa teórií a jedna z najslávnejšíchhovorí, že sa nielen pozeráme na nejaký objekt, ale zároveň si mozog vyberá možnosti, čo to môže byť. To isté robia aj hlboké neurónové siete. Máme apriori údaje o tom, ako by mačka mala vyzerať. A snažíme sa tento obrázok zladiť s predstavou, ako vyzerajú mačky. Je dôležité pochopiť to počas vývoja, aby ste zaistili konzistenciu identifikácie obrazu.
Ako môžeme dosiahnuť stabilitu pri identifikácii objektov umelými sieťami?K tomu prirodzene dochádza v dôsledkuopakovateľnosť. Zhotovíme akýsi externý obrázok a pozrieme sa na to, a signál ide do mozgu. K dispozícii je tiež spätná väzba zhora nadol. Pomocou informácií o tom, ako mačka vyzerá, si mozog utvára určité vnímanie. Ako dosiahnuť, aby tieto najkomplexnejšie procesy v našom mozgu implementovala AI? Je potrebné kombinovať dobrý klasifikátor pre koncept „mačky“, ktorý „napája“ neurálnu sieť, s vynikajúcim generátorom týchto obrázkov. Zároveň prebehne klasifikácia konceptu a tréning neurónovej siete. Spätná väzba sa získa pre štandardné neurónové siete. A toto spojenie poskytne príležitosť na získanie generatívnej spätnej väzby. Inými slovami, pri pokuse o spracovanie prichádzajúceho signálu sa človek pokúsi označiť obraz. A potom existuje spätná väzba, keď sa pokúšame vytvoriť vnímanie na základe toho, čo vidíme. Tieto dva procesy musia byť vzájomne prepojené.
Štandardná neurónová sieť spravidla nedokáže rozpoznať fuzzy obrázky, ale náš model vďaka spätnoväzbovému mechanizmu robí obrázky jasnejšie a potom ich dokáže rozpoznať.Vidíme, že takáto schéma sa osvedčilaefektívnosť, takže sa môžeme inšpirovať tým, ako vidia ľudia pri vytváraní počítačového videnia. Na základe už vyvinutých modelov môžete vytvárať pokročilejšie algoritmy, ktoré budú mať vysoký výkon. Potrebujeme však aj efektívnu infraštruktúru, ktorá zvládne procesy AI vo veľkom rozsahu. Nepracujeme s algoritmami individuálne. Zoberiete nejaké údaje a potrebujete ich vizualizovať, čo je veľmi zložitý proces. Preto potrebujete výkonný procesor schopný spracovať pôsobivé množstvo informácií. Okrem toho používame určité rámce (CLARA) pre rôzne aplikácie vrátane medicíny. Teraz, vzhľadom na pandémiu COVID-19, je potrebné trénovať modely strojového učenia vo veľkom rozsahu. Cieľom je vyvinúť vakcíny a lieky proti vírusu. Nástroj CLARA dokáže pracovať s trojrozmernými štruktúrami a rôznymi algoritmami, pričom je v podstate koordinátorom ich práce.
Ďalšou príležitosťou na vzdelávanie v oblasti AI je použitie stimulovaných údajov namiesto skutočných.Máme celý rad robotov, ktorými sa môžeme staťkuchári v našich kuchyniach. Takéto stroje sú schopné otvárať a zatvárať zásuvku, vziať predmet, miešať alebo šľahať niečo. Tieto operácie, ktoré sú pre ľudí jednoduché, sú pre roboty veľmi náročné, pretože je problematické ich na to vycvičiť. Ale pomocou simulačných procesov budeme môcť otvárať neexistujúce, naprogramované boxy. A tým sa robot učí podobné operácie. Programy nám to umožňujú paralelne a vo veľkom meradle, čo nám umožňuje prekonávať obmedzenia, ktoré nám ukladajú dáta. Takýto tréningový systém však znamená, že je potrebné vyvinúť veľmi zložité algoritmy, ktoré prenesú stroj zo sveta simulácie do skutočného sveta, čím sa otvoria úplne nové, vzrušujúce vyhliadky na prácu s AI. Existuje program, ktorý vám umožňuje pridať simuláciu k týmto modelom, keď je umelá inteligencia trénovaná na skutočných údajoch. Toto je ďalší príklad toho, že máme dobrú infraštruktúru a vieme pracovať na veľmi zložitých problémoch. Bolo možné vytvárať nové algoritmy a modely, ako aj testovať ich oveľa rýchlejšie ako predtým.
Budúcnosť umelej inteligencie musí byť komplexná a musí byť zakomponovaná do rôznych sfér, aby sme mali vysoko adaptívny a neustále sa učiaci nástroj.Aby sme to dosiahli, musíme teraz prehodnotiť prístupyhlboké učenie. Samoriadené učenie je kľúčom k úspechu, takže musíme nájsť spôsoby, ako zabudovať vzdelávacie programy bez dozoru do systémov. A ak hovoríme o konvolučných neurónových sieťach, systém spätnej väzby ich robí stabilnejšími. A toto je prvý krok k vytvoreniu skutočnej základne pre ďalšiu generáciu AI.
Pozri tiež:
Lovec pokladov nájde v Škótsku 3 000 rokov starý poklad
Sprchový kút Perseids - 2020: Kde to vidieť, kde hľadať a ako odfotiť
Pozrite sa na 3D mapu vesmíru: bola zostavená už 20 rokov a už vedcov prekvapila