Video: AI Pioneer Panel with Yoshua Bengio, Yann LeCun & Geoffrey Hinton (Full Keynote) (Marraskuu 2024)
AI: n ja työn tulevaisuuden työpajassa aiemmin tässä kuussa, Facebookin AI-tutkimuksen johtaja ja NYU: n tietotekniikan keskuksen perustajajohtaja Yann LeCun puhui "syvällisen oppimisen voimasta ja rajoista". LeCun, joka oli edelläkävijä konvoluutiohermoverkoissa, jotka ovat monien AI: n viimeaikaisten edistysasioiden ytimessä, oli sekä innostunut kentän viime vuosien edistymisestä että realistinen siitä, mitä tällaiset järjestelmät voivat ja eivät pysty.
AI: n aaltoja on ollut useita, LeCun sanoi ja huomautti, että vaikka nykyinen aalto on keskittynyt syvälliseen oppimiseen, tulevaisuus on "havainto", ja suurimpia esimerkkejä ovat sovellukset, kuten lääketieteellinen kuvantaminen ja itse ajavat autot. Lähes kaikki nämä sovellukset käyttävät ohjattua oppimista ja käyttävät eniten konvoluutiohermoverkkoja, joita LeCun kuvasi ensimmäisen kerran vuonna 1989 ja jotka otettiin ensimmäisen kerran käyttöön merkkien tunnistamisessa pankkiautomaatteissa vuonna 1995. LeCunin mukaan tällaisten verkkojen patentti päättyi vuonna 2007.
Suurimmat muutokset viime vuosina ovat tulleet suurista tietokokonaisuuksista, joissa on suuret näytekokot, sekä laskentatehon valtavasta noususta (jota avustaa Geoffrey Hintonin työ suunnittelussa, kuinka käyttää GPU: ta kuvan tunnistamiseen). Jopa LeCunille kuvan tunnistaminen on ollut vain hämmästyttävää. Vaikka käsitys "todella toimii", se, mikä vielä puuttuu, on päättely.
LeCun puhui kolmesta erityyppisestä lähestymistavasta ja kunkin niistä rajoituksista. Vahvistusoppiminen vaatii valtavan määrän näytteitä. Se on hieno peleille, koska järjestelmä voi suorittaa miljoonia kokeiluja ja paraneda entistä paremmin, mutta sitä on vaikea käyttää todellisessa maailmassa, koska et halua ajaa autoa kalliolta esimerkiksi 50 miljoonaa kertaa, ja reaaliaika on tekijä todellisessa maailmassa.
Ohjattu oppiminen, joka on suurin osa nykyisestä, vaatii keskimääräistä palautetta ja toimii hyvin. Ohjatulla koneoppimisella on kuitenkin joitain ongelmia. LeCun sanoi, että tällaiset järjestelmät heijastavat vääristymät tiedoissa, vaikkakin hän sanoi olevansa optimistinen, tämä ongelma voidaan ratkaista, ja uskoo, että virheitä koneista on helpompi poistaa verrattuna ihmisiin. Mutta on myös vaikeaa varmistaa tällaisten järjestelmien luotettavuus ja vaikea selittää tällaisten järjestelmien tuotoksiin perustuvia päätöksiä, ja LeCun puhui tästä lainahakemuksista.
Ohjaamaton tai ennustava oppiminen, jota tutkitaan parhaillaan esimerkiksi tulevien videoiden ennustamiseksi videossa, vaatii paljon palautetta. Valvomattomaan oppimiseen sisältyy menneisyyden, nykyisyyden tai tulevaisuuden ennustaminen mistä tahansa saatavilla olevasta tiedosta tai toisin sanoen kyky täyttää aihiot, joita LeCunin mukaan käytännössä kutsumme maalaisjärkeksi. Hän huomautti, että vauvat voivat tehdä tämän, mutta koneiden hankkiminen siihen on ollut erittäin vaikeaa, ja puhui siitä, kuinka tutkijat työskentelevät tekniikoilla, kuten generatiivisella vastakkaisverkolla (GAN), epävarmoissa olosuhteissa tehtyihin ennusteisiin. Meillä ei ole kaukana täydellisestä ratkaisusta, hän sanoi.
LeCun puhui kolmesta oppimisen tyypistä kuin kakun osista: vahvistusoppiminen on kirsikka päällä, valvoo jäätymisen oppimista ja ennustava oppiminen on kakun pääosa.
LeCun ennustaa AI: n muuttuvan asioiden arvostamisessa. Robottien rakentamat tavarat maksavat vähemmän ja aitot ihmisen kokemukset maksavat enemmän, ja sanoi, että tämä voi tarkoittaa, että jazzmuusikoille ja käsityöläisille on valoisa tulevaisuus.
Kaiken kaikkiaan LeCun sanoi, että AI on yleiskäyttöinen tekniikka (GPT), kuten höyrykone, sähkö tai tietokone. Sellaisena se vaikuttaa moniin talouden aloihin, mutta kestää 10 tai 20 vuotta, ennen kuin näemme vaikutuksen tuottavuuteen. LeCun sanoi, että AI johtaa työpaikkojen korvaamiseen, mutta huomautti, että tekniikan käyttöönottoa rajoittaa se, kuinka nopeasti työntekijät voivat kouluttaa sitä.
Mitä tulee "todelliseen AI-vallankumoukseen", LeCun sanoi, että tämä ei tapahdu ennen kuin koneet saavat järjen, ja tämän rakentamisen periaatteiden määrittäminen voi viedä kaksi, viisi, kaksikymmentä tai enemmän; Sen lisäksi kuluu vuosia näiden periaatteiden mukaisen käytännön AI-tekniikan kehittämiseen. Loppujen lopuksi, hän huomautti, kului kaksikymmentä vuotta, ennen kuin konvoluutioverkot tulivat tärkeiksi. Ja se kaikki perustuu oletukseen, että periaatteet ovat yksinkertaisia; siitä tulee paljon monimutkaisempaa, jos "älykkyys on ilkeä".
