Anima Anandkumarär professor vid California Institute of Technology och forskningschef vid
"Situationen med coronavirus visar att människor är långt före AI"
Hur började den artificiella intelligensrevolutionen?Under flera decennier, intressantupptäckter i detta område. För en person finns det inget mer vardagligt än att känna igen bilder på en skärm. Men för en AI är detta en extremt svår uppgift, eftersom den inte är född med de redan givna förmågorna för detta. Forskare stod inför uppgiften att "lära" maskinhjärnan för att identifiera vad den såg. Tidigt i forskningen började en Stanford-professor ta bilder för att göra det lättare för en dator att klassificera dem. Det var märkta bilder som startade den djupa neurala inlärningsrevolutionen.
Att nå en ny nivå av AI-utveckling började med införandet av miljarder parametrar i programmet som gör att det kan känna igen ett specifikt objekt.Svårigheten med uppgiften är att skapa ett djupt neuralt nätverkunder villkoren för invarians kände hon till exempel en hund oavsett skillnad i hållning, färg, ras och så vidare. AI-träning innebär att under bildbehandlingen visas ett antal lager i ramen i en hierarkisk ordning. Så på basnivå är bara linjer synliga i olika vinklar mot varandra. Sedan kombinerar de och utgör mer komplexa former, till exempel en hunds ansikte i färg. Form, färg och andra individuella egenskaper är redan urskiljbara. Det var stadiet då vi lärde oss att dela upp processen i delar, i nivåer, som blev ett stort steg framåt.
Vidareutveckling kräver inte bara djupa neurala nätverk, utan också enorm datorkraft.Under de senaste decennierna har vi setten avmattning i tillväxten av våra datorers kapacitet, med entrådiga beräkningshastigheter som inte längre fördubblas. Men samtidigt kan vi nu samtidigt beräkna operationer som är enorma i volym och komplexitet. Den nuvarande utvecklingsnivån för djupa nätverk har lett till att miljarder processer nu kan inträffa i dem samtidigt. Och deras mål är bara ett: att bestämma vad som visas på fotografiet. Denna procedur utförs med hjälp av matrisanimeringsprocesser och andra tekniker. Och här beror naturligtvis allt på grafikkortens kraft.
År 2014 kunde djupa nervnätverk känna igen bilder bättre än människor, vilket innebär att de idag har blivit ännu mer avancerade.Detta hände tack vare kombinationen av trefaktorer: kapaciteten hos märkt data, flexibiliteten hos befintliga djupa neurala nätverksalgoritmer och datorernas enorma kapacitet. Det finns många bra exempel på vilka höjder maskinhjärnan redan har uppnått, till exempel hjälpte AI att slå en människa i spelet Go. Den här spelaren var en av de bästa, men han förlorade. Dessutom kan artificiell intelligens nu generera fotografier av människor så realistiska att denna teknik redan har klarat Turing-testet. En person kan inte längre förstå vilken bild som är verklig och vilken som skapades av en maskin. Det här är fantastiska exempel på AI-framgång, men framstegen kommer definitivt inte att stanna där.
Det finns dock ett antal exempel där AI inte förväntades.Låt oss säga en situation där nyckelaspektenär säkerhet. Sedan flera decennier nu har vi sett en ökning av tekniken som används i autonoma bilar, men tyvärr leder deras brist på sofistikering fortfarande till olyckor. Dessutom kan en maskin inte ersätta en person när det kommer till innehållsskapande och redigering. Och den nuvarande situationen med coronaviruset visar att människor ligger långt före AI.
Vad kommer vi att göra i framtiden och utveckla artificiell intelligens och teknik i djupa neurala nätverk?Utvecklas för närvarande aktivtrobotik: till exempel har ett företag en robot som kan göra backflips. Men han kan inte ens jämföras med en hund. Den här roboten är besvärlig, faller ständigt, men när djuret faller lär det sig att göra den eller den rörelsen nästa gång utan att falla. Men roboten är inte kapabel till detta, den är inte tränad. Detta väcker frågan, är det möjligt att göra AI som är redo att lära sig och lösa problem på egen hand?
"Att förstå algoritmer ligger utanför våra möjligheter."
En artificiell intelligensalgoritm är en samling av förutbestämd information och en mycket tydlig uppgift.Vi bestämmer vilka uppgifter och preliminärtde givna parametrarna ska användas, liksom hur beslutsprocessen ska genomföras. Att skapa och underhålla en AI-algoritm kräver enorma mängder data. Detta är svårt eftersom det finns mer och mer data, till exempel när man känner igen en videoström är antalet igenkända bildrutor mycket stort. Märkning är problematisk eftersom människor tilldelar namn till miljontals videor och därför till föremål på skärmen.
När det gäller de förlagda parametrarna, måste du återigen hantera det faktum att allt görs manuellt.Det är lätt att lura AI nuförtiden.Till exempel, om vi har en stoppskylt och vi placerar flera block på den, kommer den artificiella intelligensen inte längre att förstå dess innebörd. Och en bil som rör sig utan förarassistans känner inte längre igen denna skylt som en uppmaning att stanna. Vår mänskliga intelligens är helt annorlunda. Kanske kan vi överföra vårt sätt att tänka till en dator, men det har vi inte kunnat göra ännu. När det gäller instruktioner, order och instruktioner måste vi agera väldigt enkelt: vi ger en uppgift - att känna igen vad som visas på den här bilden. När det gäller parametrarna för att bedöma framgången eller ineffektiviteten av algoritmen, här är vi mycket begränsade.
Vi kan ibland inte förstå hur framgångsrik den nuvarande algoritmen är, eftersom den ligger utanför vår förståelse.Dessutom finns det flera problem förknippade meddet faktum att uppgifterna vi har främst är på ljushyade män. Av denna anledning felidentifierar AI mörkhyade kvinnor. Det finns andra fel i ansiktsigenkänningen. Problemet uppstår eftersom utvärderingen av effektiviteten av artificiell intelligens är extremt begränsad. Vi får inte glömma paradigmet som säger att vi behöver enorma mängder data, och allt måste märkas. De förinställda parametrarna måste vara tydliga för algoritmen, och själva uppgiften måste vara enkel och logisk.
Först måste du se till att du inte behöver märka uppgifterna.AI måste fungera utan mänsklig hjälpdatorn själv hittade koncept, bildade idéer och förstod egenskaperna hos en viss bild. Är det svårt? Ja, väldigt mycket, men folk gör det, och med lätthet. När det gäller förinställda data, här måste vi skapa mycket tydliga bilder, visa vad som är vad från data som vi "matar" till systemet. Och här kan du lära dig mycket av den mänskliga hjärnan. Och slutligen, uppgifterna som vi ger till algoritmen. AI måste vara mer adaptiv, för nu tränar vi vårt system från grunden varje gång, men vi måste göra det så att det kan anpassa sig och förändras, utföra olika uppgifter. Så nu tränar vi för att göra artificiell intelligens flexibel.
Hur förstår jag att det finns en katt framför oss?
Vi känner igen en katt, även om det är en suddig bild, eftersom vår hjärna hela tiden försöker ge en viss skärpa till den suddiga bilden för vidare analys.Det finns många teorier, och en av de mest kändasäger att vi inte bara tittar på något objekt utan att hjärnan samtidigt väljer alternativ för vad det kan vara. Djupa neurala nätverk gör samma sak. Vi har förhandsuppgifter om hur katten ska se ut. Och vi försöker matcha den här bilden med idén om hur katter ser ut. Det är viktigt att förstå detta under utvecklingen för att säkerställa en enhetlig bildidentifiering.
Hur kan vi uppnå stabilitet i identifieringen av föremål genom konstgjorda nätverk?Detta inträffar naturligtvis på grund avrepeterbarhet. Vi tar en extern bild och tittar på den, och signalen går till hjärnan. Det finns också top-down feedback. Med hjälp av information om hur en katt ser ut, bildar hjärnan en specifik uppfattning. Hur kan vi göra dessa komplexa processer i hjärnan implementerade av AI? Det är nödvändigt att kombinera en bra klassificering för begreppet "katt", som "matar" det neurala nätverket, med en utmärkt generator av dessa bilder. Samtidigt kommer klassificeringen av konceptet och utbildningen av det neurala nätverket att ske. Feedback kommer att erhållas för vanliga nervnätverk. Och denna anslutning ger en möjlighet att få generativ feedback. Med andra ord, när man försöker bearbeta den inkommande signalen, försöker en person att markera bilden. Och sedan finns det feedback när vi försöker skapa en uppfattning baserad på vad vi ser. Dessa två processer måste vara sammankopplade.
Ett vanligt neuralt nätverk, som regel, kan inte känna igen fuzzy bilder, men vår modell, tack vare en feedbackmekanism, gör bilderna tydligare och sedan kan känna igen dem.Vi ser att ett sådant system har bevisat sitteffektivitet, så att vi kan inspireras av hur människor ser när de skapar datorseende. Baserat på redan utvecklade modeller kan du skapa mer avancerade algoritmer som kommer att ha hög prestanda. Men vi behöver också en effektiv infrastruktur som kan hantera AI-processer i stor skala. Vi arbetar inte med algoritmer individuellt. Du tar lite data och du behöver visualisera det, vilket är en mycket komplex process. Därför behöver du en kraftfull processor som kan bearbeta imponerande mängder information. Dessutom använder vi vissa ramverk (CLARA) för olika applikationer, inklusive medicin. Nu, med tanke på covid-19-pandemin, finns det ett behov av att träna maskininlärningsmodeller i stor skala. Målet med detta är att utveckla vacciner och botemedel mot viruset. CLARA-verktyget kan arbeta med tredimensionella strukturer och olika algoritmer, i huvudsak vara koordinator för deras arbete.
En annan AI-inlärningsmöjlighet är att använda stimulerade data snarare än verkliga data. У нас есть ряд роботов, которые могут стать шеф-поварами на наших кухнях. Такие машины способны открыть и закрыть ящик, взять какой-то предмет, что-то смешать или взбить. Эти простые для человека операции очень сложны для роботов, так как обучить их этому проблематично. Но с помощью процессов моделирования мы сможем открывать несуществующие, запрограммированные ящики. И таким образом робот учится подобным операциям. Программы позволяют делать это параллельно и в больших масштабах, что позволяет преодолеть ограничения, которые накладывают на нас данные. Но такая система обучения означает, что нужно разработать очень сложные алгоритмы, которые переведут машину из мира симуляции в реальный мир, открывая совершенно новые, захватывающие перспективы работы с ИИ. Есть программа, которая позволяет добавлять симуляцию к тем моделям, когда искусственный интеллект обучается на реальных данных. Это еще один пример того, что у нас есть хорошая инфраструктура и мы можем работать с очень сложными проблемами. Появилась возможность создавать новые алгоритмы и модели, а также тестировать их гораздо быстрее, чем это делалось ранее.
Framtiden för AI måste vara omfattande och förankras på olika områden så att vi har ett mycket anpassningsbart, ständigt lärande verktyg. Для этого сейчас нужно переосмыслить подходы к глубокому обучению. Самостоятельное обучение является ключом к успеху, поэтому нужно находить способы встраивать программы неконтролируемого обучения в системы. И если говорить о сверточных нейросетях, система обратной связи делает их более устойчивым. А это первый шаг к тому, чтобы создать реальную базу для ИИ нового поколения.
Se även:
Skattjägaren hittar 3000 år gamla skatt i Skottland
Perseids Meteordusch - 2020: Var du kan se det, var du ska titta och hur du tar ett foto
Titta på 3D-kartan över universum: den sammanställdes i 20 år och den har redan förvånat forskare