Anima AnandkumarKaliforniya Teknoloji Enstitüsü'nde profesör ve araştırma direktörüdür.
"Koronavirüs ile ilgili durum, insanların yapay zekanın çok ilerisinde olduğunu gösteriyor"
Yapay zeka devrimi nasıl başladı?Birkaç on yıldır ilginçbu alandaki keşifler. Bir kişi için ekrandaki görüntüleri tanımaktan daha sıradan bir şey yoktur. Ancak bir YZ için bu son derece zor bir görevdir, çünkü bunun için önceden verilmiş yeteneklerle doğmamıştır. Bilim adamları, makinenin beynine gördüklerini tanımlaması için "öğretme" göreviyle karşı karşıya kaldılar. Araştırmanın başlarında, bir Stanford profesörü, bir bilgisayarın onları sınıflandırmasını kolaylaştırmak için görüntüleri yakalamaya başladı. Derin sinirsel öğrenme devrimini başlatan etiketli resimlerdi.
Yapay zeka geliştirmede yeni bir seviyeye ulaşmak, programa belirli bir nesneyi tanımasını sağlayacak milyarlarca parametrenin dahil edilmesiyle başladı.Görevin zorluğu derin bir sinir ağı oluşturmaktırdeğişmezlik koşulları altında, örneğin bir köpeği duruş, renk, cins vb. arasındaki farktan bağımsız olarak tanıdı. AI eğitimi, görüntü işleme sırasında çerçevenin bir dizi katmanının hiyerarşik bir sırada görüntülenmesi anlamına gelir. Bu nedenle, temel düzeyde, yalnızca çizgiler farklı açılardan birbirine görünür. Daha sonra, örneğin bir köpeğin renkli yüzü gibi daha karmaşık şekilleri birleştirip oluştururlar. Şekil, renk ve diğer bireysel özellikler halihazırda ayırt edilebilir. Süreci parçalara, seviyelere bölmeyi öğrendiğimiz aşamaydı, ileriye doğru büyük bir adım oldu.
Daha fazla gelişme sadece derin sinir ağlarını değil, aynı zamanda muazzam bilgi işlem gücünü de gerektirir.Geçtiğimiz on yıllarda gördüğümüztek iş parçacıklı bilgi işlem hızlarının artık iki katına çıkmaması nedeniyle bilgisayarlarımızın yeteneklerinin büyümesindeki yavaşlama. Ancak aynı zamanda hacim ve karmaşıklık açısından büyük işlemleri artık aynı anda hesaplayabiliyoruz. Derin ağların mevcut gelişme düzeyi, artık milyarlarca sürecin aynı anda gerçekleşebilmesine yol açmıştır. Ve amaçları tektir: fotoğrafta neyin gösterildiğini belirlemek. Bu prosedür matris animasyon süreçleri ve diğer teknolojiler kullanılarak gerçekleştirilir. Ve burada elbette her şey video kartlarının gücüne bağlı.
2014 yılına gelindiğinde, derin sinir ağları görüntüleri insanlardan daha iyi tanıdı, bu da günümüzde daha da gelişmiş hale geldikleri anlamına geliyor.Bu üçünün birleşimi sayesinde oldufaktörler: etiketli verilerin yetenekleri, mevcut derin sinir ağı algoritmalarının esnekliği ve bilgisayarların muazzam yetenekleri. Makine beyninin hâlihazırda ulaştığı seviyelere dair pek çok harika örnek var; örneğin, derin takviyeli öğrenme, yapay zekanın Go oyununda bir insanı yenmesine yardımcı oldu. Bu oyuncu en iyilerden biriydi ama kaybetti. Ayrıca yapay zeka artık o kadar gerçekçi insan fotoğrafları üretebiliyor ki bu teknoloji Turing testini çoktan geçmiş durumda. İnsan artık hangi görüntünün gerçek olduğunu, hangisinin makine tarafından yaratıldığını anlayamıyor. Bunlar yapay zeka başarısının harika örnekleri, ancak ilerleme kesinlikle burada bitmeyecek.
Ancak, AI'nın beklentilerin gerisinde kaldığı birkaç örnek var.Diyelim ki anahtar yönün olduğu bir durumgüvenliktir. On yıllardır otonom otomobillerde kullanılan teknolojide bir artış görüyoruz, ancak ne yazık ki bunların gelişmişlik eksikliği hala kazalara yol açıyor. Ayrıca içerik oluşturma ve düzenleme söz konusu olduğunda bir makine bir kişinin yerini alamaz. Ve mevcut koronavirüs durumu, insanların yapay zekanın çok ilerisinde olduğunu gösteriyor.
Gelecekte yapay zeka ve derin sinir ağlarının teknolojilerini geliştirerek ne yapacağız?Şu anda aktif olarak geliştiriliyorrobotik: örneğin, bir şirketin ters takla atabilen bir robotu var. Ama bir köpekle karşılaştırılamaz bile. Bu robot tuhaftır, sürekli düşer, ancak hayvan düşerken bir dahaki sefere düşmeden şu veya bu hareketi nasıl yapacağını öğrenir. Ancak robot bunu yapamaz, eğitilmemiştir. Bu durum şu soruyu gündeme getiriyor: Kendi başına öğrenmeye ve sorunları çözmeye hazır yapay zeka yapmak mümkün mü?
"Algoritmaları anlamak yeteneklerimizin ötesinde."
Yapay zeka algoritması, önceden belirlenmiş bilgilerden oluşan bir koleksiyon ve çok net bir görevdir.Hangi verileri belirliyoruz ve ön hazırlık olarakVerilen parametrelerin yanı sıra karar verme sürecinin nasıl uygulanacağı da kullanılmalıdır. Bir yapay zeka algoritmasının oluşturulması ve sürdürülmesi büyük miktarda veri gerektirir. Bu zordur çünkü gittikçe daha fazla veri vardır, örneğin bir video akışını tanırken tanınan karelerin sayısı çok fazladır. İnsanların milyonlarca videoya ve dolayısıyla ekrandaki nesnelere ad vermeleri nedeniyle etiketleme sorunludur.
Önceden yerleştirilmiş parametrelere gelince, o zaman yine her şeyin manuel olarak yapıldığı gerçeğiyle uğraşmanız gerekir.Bugünlerde yapay zekayı kandırmak çok kolay.Örneğin, bir dur işaretimiz varsa ve üzerine birkaç blok yerleştirirsek, yapay zeka artık bunun anlamını anlamayacaktır. Ve sürücü yardımı olmadan hareket eden bir araba artık bu işareti bir dur çağrısı olarak algılamıyor. İnsan zekamız tamamen farklıdır. Belki düşünme biçimimizi bilgisayara aktarabiliriz ama henüz bunu başaramadık. Talimatlara, emirlere ve talimatlara gelince, çok basit hareket etmeliyiz: bir görev veriyoruz - bu resimde gösterileni tanımak. Algoritmanın başarısını veya etkisizliğini değerlendirmeye yönelik parametrelere gelince, burada çok sınırlıyız.
Mevcut algoritmanın ne kadar başarılı olduğunu bazen anlayamayız çünkü bu bizim anlayışımızın ötesinde.Ayrıca bununla ilgili çeşitli sorunlar da bulunmaktadır.elimizdeki verilerin ağırlıklı olarak açık tenli erkeklere ait olması. Bu nedenle yapay zeka koyu tenli kadınları yanlış tanımlıyor. Yüz tanımada başka hatalar da var. Sorun, yapay zekanın etkinliğinin değerlendirilmesinin son derece sınırlı olmasından kaynaklanmaktadır. Büyük miktarda veriye ihtiyacımız olduğunu ve bunların tamamının etiketlenmesi gerektiğini söyleyen paradigmayı unutmamalıyız. Önceden ayarlanmış parametreler algoritma için anlaşılır olmalı ve görevin kendisi basit ve mantıklı olmalıdır.
Öncelikle, verileri etiketlemenize gerek olmadığından emin olmanız gerekir.Yapay zeka insan yardımı olmadan çalışmalıbilgisayarın kendisi kavramları buldu, fikirler oluşturdu ve belirli bir görüntünün özelliklerini anladı. Zor mu? Evet, çok ama insanlar bunu kolaylıkla yapıyor. Önceden belirlenmiş verilere gelince, burada çok net görüntüler oluşturmamız, sisteme "beslediğimiz" verilerin ne olduğunu göstermemiz gerekiyor. Ve burada insan beyninden çok şey öğrenebilirsiniz. Ve son olarak algoritmaya verdiğimiz görevler. Yapay zeka daha uyarlanabilir olmalı, çünkü artık sistemimizi her seferinde sıfırdan eğitiyoruz, ancak onu uyum sağlayabilecek, değişebilecek, farklı görevleri yerine getirebilecek şekilde yapmamız gerekiyor. Şimdi yapay zekayı esnek hale getirmek için eğitim alıyoruz.
Önümüzde bir kedi olduğu nasıl anlaşılır?
Bir kediyi bulanık bir resim olsa bile tanırız çünkü beynimiz daha fazla analiz için sürekli olarak bulanık görüntüye belirli bir keskinlik vermeye çalışır.Birçok teori var ve en ünlülerinden birisadece bir nesneye bakmadığımızı, aynı zamanda beynin ne olabileceğine dair seçenekleri seçtiğini söylüyor. Derin sinir ağları da aynısını yapar. Kedinin nasıl görünmesi gerektiğine dair önsel verilerimiz var. Ve bu resmi kedilerin neye benzediği fikri ile eşleştirmeye çalışıyoruz. Görüntü tanımlamasının tutarlılığını sağlamak için bunu geliştirme sırasında anlamak önemlidir.
Nesnelerin yapay ağlarla tanımlanmasında istikrarı nasıl sağlayabiliriz?Bu, doğal olaraktekrarlanabilirlik. Dışarıdan bir resim çekeriz ve ona bakarız ve sinyal beyne gider. Yukarıdan aşağıya geri bildirim de var. Beyin, kedinin neye benzediğiyle ilgili bilgileri kullanarak belirli bir algı oluşturur. Beynimizdeki bu karmaşık süreçleri nasıl yapay zeka ile uygulayabiliriz? Sinir ağını "besleyecek" "kedi" kavramı için iyi bir sınıflandırıcı ile bu görüntülerin mükemmel bir oluşturucusunu birleştirmek gerekir. Aynı zamanda sinir ağı kavramının sınıflandırılması ve eğitimi de yer alacaktır. Standart sinir ağları için geri bildirim alınacaktır. Ve bu bağlantı, üretken geri bildirim alma fırsatı sağlayacaktır. Başka bir deyişle, gelen sinyali işlemeye çalışırken, bir kişi görüntüyü işaretlemeye çalışır. Ve sonra gördüklerimize dayalı bir algı oluşturmaya çalıştığımızda geri bildirim var. Bu iki süreç birbirine bağlı olmalıdır.
Standart bir sinir ağı, kural olarak, bulanık görüntüleri tanıyamaz, ancak modelimiz, bir geri bildirim mekanizması sayesinde görüntüleri daha net hale getirir ve sonra onları tanıyabilir.Böyle bir planın kendini kanıtladığını görüyoruz.etkinlik, böylece insanların bilgisayar görüşünü oluştururken nasıl gördüklerinden ilham alabiliriz. Halihazırda geliştirilmiş modellere dayanarak, yüksek performansa sahip olacak daha gelişmiş algoritmalar oluşturabilirsiniz. Ancak aynı zamanda yapay zeka süreçlerini geniş ölçekte yönetebilecek verimli bir altyapıya da ihtiyacımız var. Algoritmalarla bireysel olarak çalışmıyoruz. Bir miktar veri alıyorsunuz ve onu görselleştirmeniz gerekiyor ki bu çok karmaşık bir süreç. Bu nedenle etkileyici miktarda bilgiyi işleyebilen güçlü bir işlemciye ihtiyacınız var. Ayrıca tıp da dahil olmak üzere çeşitli uygulamalar için belirli çerçeveler (CLARA) kullanıyoruz. Şimdi, COVID-19 salgını göz önüne alındığında, makine öğrenimi modellerinin geniş ölçekte eğitilmesine ihtiyaç var. Bunun amacı virüse karşı aşı ve tedavi geliştirmektir. CLARA aracı, esasen bunların çalışmalarının koordinatörü olarak üç boyutlu yapılar ve çeşitli algoritmalarla çalışabilmektedir.
Başka bir AI öğrenme fırsatı, gerçek veriler yerine uyarılmış verileri kullanmaktır.olabilecek bir dizi robotumuz var.mutfağımızdaki şefler. Bu tür makineler çekmeceyi açıp kapama, bir nesneyi alma, bir şeyi karıştırma veya çırpma yeteneğine sahiptir. İnsanlar için basit olan bu işlemler robotlar için oldukça zordur çünkü onları bu konuda eğitmek sorunludur. Ancak simülasyon süreçlerinin yardımıyla var olmayan, programlanmış kutuları açabileceğiz. Ve böylece robot benzer işlemleri öğreniyor. Programlar bunu paralel ve geniş ölçekte yapmamıza olanak tanıyor, bu da verilerin bize dayattığı sınırlamaların üstesinden gelmemizi sağlıyor. Ancak böyle bir eğitim sistemi, makineyi simülasyon dünyasından gerçek dünyaya taşıyacak ve yapay zeka ile çalışmak için tamamen yeni, heyecan verici olasılıklar açacak çok karmaşık algoritmaların geliştirilmesi gerektiği anlamına geliyor. Yapay zeka gerçek veriler üzerinde eğitilirken o modellere simülasyon eklemenizi sağlayan bir program var. Bu, iyi bir altyapıya sahip olduğumuzun ve çok karmaşık sorunlar üzerinde çalışabildiğimizin bir başka örneğidir. Yeni algoritmalar ve modeller oluşturmak ve bunları daha önce yapılanlardan çok daha hızlı bir şekilde test etmek mümkün hale geldi.
Yapay zekanın geleceği kapsamlı olmalı ve farklı alanlarda somutlaştırılmalıdır, böylece son derece uyarlanabilir, sürekli öğrenme aracına sahip oluruz.Bunu yapabilmek için artık yaklaşımları yeniden düşünmemiz gerekiyor.derin öğrenme. Kendi kendine öğrenme başarının anahtarıdır, bu nedenle denetimsiz öğrenme programlarını sistemlere yerleştirmenin yollarını bulmamız gerekiyor. Evrişimli sinir ağlarından bahsedersek, geri bildirim sistemi onları daha kararlı hale getirir. Ve bu, yeni nesil yapay zeka için gerçek bir temel oluşturmanın ilk adımıdır.
Ayrıca bakınız:
Hazine avcısı İskoçya'da 3000 yıllık hazine buldu
Perseids Meteor Yağmuru - 2020: Nerede Görülür, Nereye Bakılır ve Nasıl Fotoğraf Çekilir
Evrenin 3D haritasına bakın: 20 yıl boyunca derlendi ve zaten bilim adamlarını şaşırttı