4 syytä olla pelkäämättä syvällistä oppimista (vielä) | Ben Dickson

Vuonna 2012 ryhmä tutkijoita Toronton yliopistosta teki kuvanluokan läpimurron.

ImageNet-verkossa, joka on vuotuinen tekoäly (AI) -kilpailu, jossa kilpailijat pyrkivät luomaan tarkimman kuvan luokitusalgoritmin, Toronton joukkue debytoi AlexNetin, "joka voitti kentän huikealla 10, 8 prosenttiyksikön marginaalilla… 41 prosenttia parempi kuin seuraavaksi paras ", Quartzin mukaan.

Syvä oppiminen, ryhmän käyttämä menetelmä, oli radikaali parannus aikaisempiin AI-lähestymistapoihin nähden ja aloitti uuden innovaatiokauden. Siitä lähtien se on löytänyt tien koulutukseen, terveydenhuoltoon, verkkoturvallisuuteen, lautapeleihin ja käännöksiin ja on kerännyt miljardeja dollareita Piilaakson sijoituksiin.

Monet ovat kiitelleet syvällistä oppimista ja sen yläjoukkoa, koneoppimista, aikakauden yleiskäyttöisenä tekniikkana ja syvempänä kuin sähkö ja tuli. Toiset kuitenkin varoittavat, että syvä oppimisesta tulee lopulta paras ihminen jokaisessa tehtävässä ja siitä tulee lopullinen työtapattaja. Ja syvälle oppimiseen perustuvien sovellusten ja palvelujen räjähdys on herättänyt pelkoja AI: n apokalypsistä, jonka aikana älykkäät tietokoneet valloittavat planeetan ja ajavat ihmiset orjuuteen tai sukupuuttoon.

Hypestä huolimatta syvällä oppimisella on joitain puutteita, jotka saattavat estää sitä toteuttamasta osaa lupauksestaan ​​- sekä positiivista että kielteistä.

Syväoppimisessa on liian paljon tietoa

Syvää oppimista ja syviä hermoverkkoja, jotka muodostavat sen taustalla olevan rakenteen, verrataan usein ihmisen aivoihin. Mutta mielemme voi oppia käsitteitä ja tehdä päätöksiä erittäin vähän tietoja; syvä oppiminen vaatii tonnia näytteitä yksinkertaisimman tehtävän suorittamiseksi.

Syvällinen oppiminen on ytimessä monimutkainen tekniikka, joka kartoittaa panokset lähtöihin etsimällä leimattuihin tietoihin yleisiä malleja ja hyödyntämällä tietoja luokittelemaan muut tietonäytteet. Anna esimerkiksi syväoppimissovellukselle tarpeeksi kuvia kissoista, ja se pystyy tunnistamaan, sisältääkö valokuva kissa. Samoin kun syvän oppimisen algoritmi nauttii riittävästi ääninäytteitä eri sanoista ja ilmauksista, se pystyy tunnistamaan ja transkriboimaan puheen.

Mutta tämä lähestymistapa on tehokas vain silloin, kun sinulla on paljon laadukasta tietoa algoritmien syöttämistä varten. Muutoin syvän oppimisen algoritmit voivat tehdä villejä virheitä (kuten kiväärin erehtyminen helikopteriin). Kun heidän tiedot eivät ole osallistavia ja monipuolisia, syvän oppimisen algoritmit ovat jopa osoittaneet rasistista ja seksististä käyttäytymistä.

Tietoihin luottaminen aiheuttaa myös keskitysongelman. Koska Googlella ja Amazonilla on pääsy laajaan tietomäärään, sillä on paremmassa asemassa kehittää erittäin tehokkaita syväoppimissovelluksia kuin vähemmän resursseja tarjoavilla aloittelijoilla. AI: n keskittäminen muutamiin yrityksiin voisi haitata innovaatioita ja antaa näille yrityksille liikaa valtaa käyttäjiensä suhteen.

Syväoppiminen ei ole joustavaa

Ihmiset voivat oppia abstrakteja käsitteitä ja soveltaa niitä moniin tilanteisiin. Teemme tätä koko ajan. Esimerkiksi, kun pelaat tietokonepeliä, kuten Mario Bros, ensimmäistä kertaa, voit käyttää heti reaalimaailman tietoa - kuten tarvetta hypätä kaivojen yli tai välttää tulisia palloja. Voit myöhemmin soveltaa tietosi pelistä muihin Mario-versioihin, kuten Super Mario Odyssey, tai muihin peleihin, joissa on samanlaisia ​​mekaniikoita, kuten Donkey Kong Country ja Crash Bandicoot.

AI-sovellusten on kuitenkin oppittava kaikki tyhjästä. Tarkastelu kuinka syvän oppimisen algoritmi oppii pelaamaan Marioa osoittaa, kuinka erilainen AI: n oppimisprosessi on ihmisten oppimisprosessista. Pohjimmiltaan se alkaa tietää mitään ympäristöstään ja vähitellen oppia olemaan vuorovaikutuksessa eri elementtien kanssa. Mutta Marioin pelaamisesta saatava tieto palvelee vain yhden pelin kapeaa aluetta, eikä sitä voida siirtää muihin peleihin, jopa muihin Mario-peleihin.

Tämä käsitteellisen ja abstraktin ymmärryksen puute pitää syväoppimissovellukset keskittyneinä rajoitettuihin tehtäviin ja estää yleisen tekoälyn kehittämistä, sellaista AI: ta, joka voi tehdä älyllisiä päätöksiä kuten ihmiset. Se ei välttämättä ole heikkous; Jotkut asiantuntijat väittävät, että yleisen AI: n luominen on turhaa tavoitetta. Mutta se on varmasti rajoitus verrattuna ihmisen aivoihin.

Syvä oppiminen on läpinäkymätöntä

Toisin kuin perinteiset ohjelmistot, joille ohjelmoijat määrittelevät säännöt, syväoppimissovellukset luovat omat säännöt käsittelemällä ja analysoimalla testitietoja. Siksi kukaan ei oikein tiedä miten he tekevät johtopäätöksiä ja päätöksiä. Jopa syvän oppimisen algoritmien kehittäjät ovat usein hämmentyneitä luomuksensa tuloksista.

Tämä avoimuuden puute voi olla merkittävä este AI: lle ja syvälle oppimiselle, koska tekniikka yrittää löytää paikkansa herkillä aloilla, kuten potilaan hoito, lainvalvonta ja itse ajavat autot. Syvän oppimisen algoritmit saattavat olla vähemmän alttiita virheiden tekemiselle kuin ihmiset, mutta kun he tekevät virheitä, virheiden syiden tulisi olla selitettävissä. Jos emme ymmärrä, kuinka AI-sovelluksemme toimivat, emme voi luottaa niihin kriittisissä tehtävissä.

Syvä oppiminen voi saada ylikuormittua

Syväoppiminen on jo osoittautunut hyödylliseksi monilla aloilla ja muuttaa edelleen tapaamme, jolla teemme asioita. Huolimatta virheistään ja rajoituksistaan ​​syvä oppiminen ei ole meitä epäonnistunut. Mutta meidän on mukautettava odotuksemme.

Kuten AI-tutkija Gary Marcus varoittaa, tekniikan yliarviointi voi johtaa toiseen "AI-talveen" - kaudeksi, jolloin liian korkeat odotukset ja heikko suorituskyky johtavat yleiseen pettymykseen ja kiinnostuksen puutteeseen.

Marcus ehdottaa, että syväoppiminen ei ole "universaalia liuotinta, vaan yhtä työkalua monien joukosta", mikä tarkoittaa, että vaikka tutkimme edelleen syvän oppimisen tarjoamia mahdollisuuksia, meidän on tarkasteltava myös muita, perustavanlaatuisesti erilaisia ​​lähestymistapoja AI-sovellusten luomiseen.

Jopa syvä oppimisen vallankumoukseen johtaneen työn edelläkävijä professori Geoffrey Hinton uskoo, että on todennäköisesti keksittävä täysin uusia menetelmiä. "Tulevaisuus riippuu jostakin jatko-opiskelijasta, joka on syvästi epäilevä kaikesta, mitä olen sanonut", hän kertoi Axiosille.