Анима Анандкумарје професор на Калифорнијском институту за технологију и директор истраживања на
„Ситуација са коронавирусом показује да су људи далеко испред вештачке интелигенције“
Како је почела револуција вештачке интелигенције?Већ неколико деценија занимљивооткрића у овој области. За човека не постоји ништа приземније од препознавања слика на екрану. Али за АИ, ово је изузетно тежак задатак, јер није рођен са већ датим способностима за ово. Научници су били суочени са задатком да „науче“ мозак машине да идентификује оно што види. На почетку свог истраживања, професор са Станфорда почео је да снима слике како би компјутеру олакшао да их класификује. Означене су слике које су започеле дубоку револуцију неуронског учења.
Достизање новог нивоа развоја вештачке интелигенције почело је укључивањем милијарди параметара у програм који ће му омогућити да препозна одређени објекат.Тешкоћа задатка је направити дубоку неуронску мрежуу условима непроменљивости, препознала је, на пример, пса без обзира на разлику у држању, боји, раси и тако даље. Обука вештачке интелигенције значи да се током обраде слике бројни слојеви оквира посматрају у хијерархијском редоследу. Дакле, на основном нивоу, само су линије видљиве под различитим угловима једна према другој. Затим комбинују и чине сложеније облике, на пример, лице пса у боји. Облик, боја и друге индивидуалне карактеристике се већ разликују. То је била фаза када смо научили да делимо процес на делове, на нивое, што је постало велики корак напред.
Даљи развој захтева не само дубоке неуронске мреже, већ и огромну рачунарску снагу.Током протеклих деценија видели смоуспоравање раста способности наших рачунара, при чему се брзине једнонитног рачунарства више не удвостручују. Али у исто време, сада можемо истовремено да израчунамо операције које су огромне по обиму и сложености. Садашњи ниво развоја дубоких мрежа довео је до тога да се сада у њима истовремено могу одвијати милијарде процеса. А циљ им је само један: да одреде шта је приказано на фотографији. Овај поступак се спроводи коришћењем процеса матричне анимације и других технологија. И овде, наравно, све зависи од снаге видео картица.
До 2014. године дубоке неуронске мреже су биле у стању да препознају слике боље од људи, што значи да су данас постале још софистицираније.Ово се догодило захваљујући комбинацији трифактори: могућности означених података, флексибилност постојећих алгоритама дубоких неуронских мрежа и огромне могућности рачунара. Постоји много сјајних примера које висине је машински мозак већ постигао, на пример, учење дубоког појачања помогло је вештачкој интелигенцији да победи човека у игри Го. Овај играч је био један од најбољих, али је изгубио. Осим тога, вештачка интелигенција је сада способна да генерише фотографије људи толико реалистичне да је ова технологија већ прошла Тјурингов тест. Човек више не може да разуме која је слика стварна, а коју је створила машина. Ово су сјајни примери успеха вештачке интелигенције, али напредак се ту сигурно неће зауставити.
Међутим, постоји низ примера у којима АИ није испунио очекивања.Рецимо ситуација где је кључни аспектје сигурност. Већ неколико деценија видимо пораст технологије која се користи у аутономним аутомобилима, али, нажалост, њихов недостатак софистицираности и даље доводи до несрећа. Такође, машина не може да замени човека када је у питању креирање и уређивање садржаја. А тренутна ситуација са коронавирусом показује да су људи далеко испред вештачке интелигенције.
Шта ћемо радити у будућности, развијајући вештачку интелигенцију и технологије дубоких неуронских мрежа?Тренутно се активно развијароботика: на пример, једна компанија има робота који може да ради уназад. Али он се не може упоредити ни са псом. Овај робот је незгодан, стално пада, али животиња, док пада, учи како да направи овај или онај покрет следећи пут без пада. Али робот није способан за то, није обучен. Ово поставља питање да ли је могуће направити вештачку интелигенцију која је спремна да сама учи и решава проблеме?
„Разумевање алгоритама превазилази наше могућности.
Алгоритам вештачке интелигенције је збирка унапред постављених информација и веома јасан задатак.Одређујемо које податке и прелиминарнотреба користити задате параметре, као и начин спровођења процеса доношења одлука. Креирање и одржавање АИ алгоритма захтева огромне количине података. То је тешко јер има све више података, на пример, када се препозна видео стреам, број препознатих фрејмова је веома велики. Означавање је проблематично јер људи додељују имена милионима видео записа, а самим тим и објектима на екрану.
Што се тиче унапред постављених параметара, онда опет морате да се носите са чињеницом да се све ради ручно.Лако је преварити АИ ових дана.На пример, ако имамо знак за заустављање и на њега поставимо неколико блокова, онда вештачка интелигенција више неће разумети његово значење. А аутомобил који се креће без помоћи возача више не препознаје овај знак као позив да се заустави. Наша људска интелигенција је потпуно другачија. Можда можемо да пренесемо свој начин размишљања у компјутер, али то још нисмо успели. Што се тиче упутстава, наређења и упутстава, морамо да поступамо врло једноставно: дајемо један задатак – да препознамо оно што је приказано на овој слици. Што се тиче параметара за процену успешности или неефикасности алгоритма, овде смо веома ограничени.
Понекад не можемо да схватимо колико је тренутни алгоритам успешан, јер је ван нашег разумевања.Поред тога, постоји неколико проблема повезаних сачињеница да се подаци којима располажемо углавном односе на мушкарце светле пути. Из тог разлога, АИ погрешно идентификује тамнопуте жене. Постоје и друге грешке у препознавању лица. Проблем настаје јер је процена ефикасности вештачке интелигенције изузетно ограничена. Не смемо заборавити на парадигму која каже да су нам потребне огромне количине података и да сви морају бити означени. Унапред постављени параметри морају бити јасни алгоритму, а сам задатак мора бити једноставан и логичан.
Прво, морате осигурати да не морате означавати податке.АИ мора да ради без људске помоћикомпјутер је сам проналазио концепте, формирао идеје и разумео карактеристике одређене слике. Је тешко? Да, веома, али људи то раде, и то са лакоћом. Што се тиче унапред подешених података, овде треба да направимо веома јасне слике, да покажемо шта је од података које „хранимо“ систему. И овде можете много научити од људског мозга. И на крају, задаци које дајемо алгоритму. АИ мора бити прилагодљивији, јер сада сваки пут тренирамо наш систем од нуле, али морамо да га направимо тако да се прилагођава и мења, обавља различите задатке. Сада се обучавамо да вештачку интелигенцију учинимо флексибилном.
Како разумети да је мачка испред нас?
Препознајемо мачку, чак и ако је то мутна слика, јер наш мозак непрестано покушава да мутној слици да одређену оштрину за даљу анализу.Постоји много теорија, а једна од најпознатијихкаже да ми не само да гледамо у неки предмет, већ у исто време мозак бира опције за оно што он може бити. Дубоке неуронске мреже раде исто. Имамо а приори податке о томе како мачка треба да изгледа. И покушавамо да ускладимо ову слику са идејом како мачке изгледају. Важно је то разумети током развоја како би постојала доследност у идентификацији слика.
Како можемо постићи стабилност у идентификацији објеката помоћу вештачких мрежа?Ово се природно дешава збогПоновљивост. Узимамо неку спољашњу слику и гледамо је, а сигнал иде у мозак. Ту су и повратне информације одозго надоле. Користећи информације о томе како мачка изгледа, мозак формира специфичну перцепцију. Како учинити да ове најсложеније процесе у нашем мозгу имплементира АИ? Неопходно је комбиновати добар класификатор за концепт "мачке", који ће "хранити" неуронску мрежу, са одличним генератором ових слика. Истовремено ће се одвијати класификација концепта и обука неуронске мреже. Добијаће се повратна информација за стандардне неуронске мреже. А ова веза ће пружити прилику да добијете генеративне повратне информације. Другим речима, када покушава да обради долазни сигнал, особа покушава да означи слику. А онда постоји повратна информација када покушавамо да створимо перцепцију на основу онога што видимо. Ова два процеса морају бити међусобно повезана.
Стандардна неуронска мрежа, по правилу, не може да препозна нејасне слике, али наш модел, захваљујући механизму повратне спреге, чини слике јаснијим и потом их препознаје.Видимо да се таква шема показалаефикасност, тако да можемо бити инспирисани како људи виде када стварају компјутерски вид. На основу већ развијених модела, можете креирати напредније алгоритме који ће имати високе перформансе. Али такође нам је потребна ефикасна инфраструктура која може да управља процесима вештачке интелигенције у великом обиму. Не радимо са алгоритмима појединачно. Узимате неке податке и морате их визуализовати, што је веома сложен процес. Због тога вам је потребан моћан процесор способан да обради импресивне количине информација. Поред тога, користимо одређене оквире (ЦЛАРА) за различите примене, укључујући и медицину. Сада, с обзиром на пандемију ЦОВИД-19, постоји потреба да се обучавају модели машинског учења у великом обиму. Циљ овога је да се развију вакцине и лекови за вирус. ЦЛАРА алат може да ради са тродимензионалним структурама и различитим алгоритмима, у суштини је координатор њиховог рада.
Још једна прилика за учење АИ је коришћење стимулисаних података уместо стварних података.Имамо низ робота који могу постатикувари у нашим кухињама. Такве машине су способне да отварају и затварају фиоку, узимају предмет, мешају или нешто муче. Ове операције, које су једноставне за људе, веома су тешке за роботе, јер их је проблематично обучити да то раде. Али уз помоћ процеса симулације моћи ћемо да отворимо непостојеће, програмиране кутије. И тако робот учи сличне операције. Програми нам омогућавају да то радимо паралелно и у великом обиму, што нам омогућава да превазиђемо ограничења која нам подаци намећу. Али такав систем обуке значи да је потребно развити веома сложене алгоритме који ће машину одвести из света симулације у стварни свет, отварајући потпуно нове, узбудљиве изгледе за рад са вештачком интелигенцијом. Постоји програм који вам омогућава да додате симулацију тим моделима када се вештачка интелигенција обучава на стварним подацима. Ово је још један пример да имамо добру инфраструктуру и да можемо да радимо на веома сложеним проблемима. Постало је могуће креирати нове алгоритме и моделе, као и тестирати их много брже него што је то раније рађено.
Будућност вештачке интелигенције мора бити свеобухватна и отеловљена у различитим сферама, тако да имамо веома прилагодљив алат који се стално учи.Да бисмо то урадили, сада морамо да преиспитамо приступедубоко учење. Самоусмерено учење је кључ успеха, тако да морамо да пронађемо начине да уградимо програме учења без надзора у системе. А ако говоримо о конволуционим неуронским мрежама, систем повратних информација их чини стабилнијим. И ово је први корак ка стварању праве базе за следећу генерацију вештачке интелигенције.
Погледајте и:
Ловац на благо пронашао је 3000 година старо благо у Шкотској
Месеорска киша Персеиди - 2020: Где је видети, где видети и како се слика
Погледајте 3Д мапу Универзума: састављена је 20 година и већ је изненадила научнике