imagazin arrow2-left arrow2-right arrow2-top arrow-up arrow-down arrow-left arrow-right cart close dossiers education fb instagram menu notification oander rss rss-footer search service shuffle speech-bubble star store stores tests twitter youtube

Dacă nu înveți, vei rămâne ignorant: prezentul și viitorul apropiat al învățării automatizate


Aproape totul este bazat pe învățare automatizată, de la oferte de produs la mașini care se conduc singure. Un program Go a învins cei mai buni jucători din lume cu ajutorul învățării automatizate; același program este dezvoltat acum mai departe cu jocuri video complicate, iar acesta este numai începutul. Încotro se îndreaptă domeniul inteligenței artificiale și cum poate contribui la apariția adevărat-ului AI?

Întreaga lume a fost uimită când un program numit AlphaGo a învins campionul mondial aflat atunci pe locul patru, sud-coreeanul Lee Sedol cu 4-1 într-un meci din Seul între 9 și 15 martie 2016. AlphaGo a învins de atunci și alți jucători de Go și s-a retras din activitate după victoria împotriva campionului mondial chinez Ke Jie din primăvara acestui an.

Cum e posibil ca un program de computer să triumfe în fața celor mai buni jucători din lume ai unui joc din estul îndepărtat mult mai complicat decât Damele sau Șah-ul?

Mașina învață în profunzime

Google a cumpărat start-up-ul de inteligență artificială londonez DeepMind în 2014. Specialiștii care lucrează la compania cunoscută pentru proiectele lor entuziasmante au învățat prima dată AlphaGo să folosească o rețea profundă de tip neural care mimează conexiunile neuronilor umani și rețelele din creierul uman atunci când joacă. Această tehnică este foarte des folosită în lumea info-comunicării: așa sunt identificate pozele urcate pe Facebook sau comenzile vocale date smartphone-urilor. Ideea este ca programul să recunoască rinocerii dacă vede suficiente poze cu aceste animale. El a fost capabil să învețe și să joace Go după milioane de pași făcuți.

Dezvoltatorii au mers mai departe și au folosit o altă tehnică, numită „reinforcement learning”: programul învață pe baza încercării și eșecului și este recompensat sau pedepsit în funcție de performanțe. Pentru a face lucrurile și mai complicate, DeepMind a combinat această tehnică cu cea a învățării în profunzime care este în plină amploare.

Versiuni ușor diferite ale AlphaGo au jucat una împotriva alteia, iar sistemul a monitorizat constant ce pas a adus cel mai bun rezultat. Surprize, surprize, programul a învățat să creeze strategii singur după milioane de jocuri.

Cercetătorii nu s-au oprit aici și au reglat în detaliu sistemul urcând meciurile AlphaGo vs. AlphaGo într-o altă rețea de tip neural. Aceasta a învățat sistemul să cunoască toți pașii și consecințele acestor pași în avans și să evalueze șansele de victorie. Astfel, nu numai că a învățat de la oameni, dar și de la diferite versiuni proprii.

Ce poate face un program cu informația incompletă?

Această învățare pe mai multe niveluri a făcut posibil ca programul să învingă cei mai buni jucători din lume, câștigând meciuri prin mutări care aveau o șansă de 1 la 10 000 să fie făcute. Motivul pentru care ele au avut loc a fost faptul că mașinile sunt bine-cunoscute pentru viteza cu care pot procesa datele. Programul a avut timp să analizeze toate posibilitățile și a calculat că șansele de a câștiga sunt și mai mari dacă mutarea făcută este riscantă.

Cu toate acestea, acest nivel nu a fost suficient de ridicat pentru inteligența artificială a DeepMind, pentru că oricât de complicat este jocul Go, el este jucat cu „cărțile pe față”, fără să existe informații lipsă ca în poker sau în jocurile video.

Următorul pas a fost StarCraft, o sarcină mult mai dificilă decât cele duse la capăt înainte de învățarea automatizată și AI. A fost mai mult decât complexă: nu numai că a trebuit să plănuiești înainte, dar trebuia să și ghicești ce va face adversarul, ceea ce înseamnă că algoritmul trebuia să ia în calcul informații lipsă. Dacă reușea să facă asta, AI-ul putea să se ridice la un nivel cu totul nou.

Programul avea deja ceva experiență cu jocurile video după ce a jucat clasicele de la Atari în timpul dezvoltării și a avut de înfruntat problema care părea de nerezolvat: la un nivel de bază, putea folosi lucrurile pe care le învăța într-un joc în timp ce juca un altul. Avea nevoie de această abilitate, pentru că în StarCraft ar fi putut detecta numai o parte din mișcările inamicului, ceea ce însemna stocarea informației și mai bine în memorie. De exemplu, nu vedem ce am văzut acum un minut, dar am putea avea nevoie de o mutare diferită în funcție de ce se întâmplă în acel minut. Succesul stă în învățarea profundă, o tehnică folosită cel mai bine zilele acestea de DeepMind.

Mințile mașinilor devin mai inteligente

Învățarea automată, acest domeniu de studiu în care instrucțiunile program-ului sunt naturale în loc de statice, unde modelele sunt copiate de la evoluție în sine, se apropie atât de mult de statisticile computerizate și are aceeași vârstă ca cercetarea AI, „oficial” de 61 de ani. Cu toate acestea, importanța sa a fost descoperită mult mai târziu, în ultimul deceniu al secolului XX și a devenit un domeniu foarte popular în ultimii 10 ani.

O multitudine de aspecte, cum ar fi crearea unui element de modelare a lumii, prezența online puternică a sferei de afaceri, revoluția web 2.0 și a rețelelor sociale, sfârșitul privilegiilor de creare a conținutului și răspândirea rețelelor de senzori, toate acestea au ajutat procesul de obținere de informații din masa imensă de date needitate pentru a deveni extrem de important. Era Big Data a sosit: companiile și persoanele creează o dimensiune imensă a datelor de zi cu zi, care este aparent complet inutilă. Curând a devenit clar că avem nevoie de soluții complet noi pentru a înțelege și utiliza aceste mase de date. Un om nu este suficient și chiar un computer poate să fie insuficient dacă nu învață într-un mod complet diferit decât înainte. Din fericire, se pare că facem acest lucru și chiar și la un nivel mai intens.

Zona de „învățare profundă” care combină multe altele, cum ar fi prelucrarea limbajului natural, recunoașterea imaginii, cercetarea, neuroștiințele, a devenit deosebit de populară datorită reacției parțiale la această provocare. Scopul său este de a face computerele să învețe să „gândească” într-un mod mai ierarhic și mai dependent de mediul înconjurător. De exemplu, dacă văd o zebră, ar trebui să fie capabili să diferențieze caracteristicile specifice ale unei zebre de caracteristicile generale ale lumii animale. Dacă lucrează cu un text, trebuie să învețe legătura dintre cuvinte și modul în care creează o propoziție, cum exprimă un gând.

Programul sau algoritmul – de obicei o rețea de tip neuronal – învață ierarhia bazat pe caracteristici ale datelor primite și clasificarea pe baza modelelor de la nivel la nivel. Acesta este singurul mod în care poate afișa datele cu exactitate și în profunzime, în timp ce, de asemenea, nu uită de posibilitățile de variație. Următorul pas va pune capăt unilateralității sistemelor de recunoaștere, deoarece acestea pot fi utilizate numai într-un anumit domeniu, cum ar fi imaginea, sunetul / vorbirea, textul etc., chiar dacă acestea sunt mai eficiente. Aceste câmpuri trebuie să fie unificate în cadrul programului în sine.

Ce va aduce viitorul?

Potrivit unui sondaj realizat în 2015, publicat la Oxford, învățarea automată, „noua AI” care este conectată la inteligența artificială într-o multitudine de moduri, va înlocui 47% din locurile de muncă curente în deceniile următoare. Locurile de muncă care sunt cel mai expuse riscului de a fi înlocuite nu sunt, în mod surprinzător, locuri de muncă manuale, ci munca intelectuală de rutină, care este ușor de automatizat. Explicația este destul de simplă: aceste locuri de muncă nu trebuie să fie în permanență în contact cu lumea fizică, astfel încât sunt potrivite pentru a fi realizate de alte tehnologii, cum ar fi roboții.

Nu va exista în curând niciun produs sau serviciu provenind de la marile companii de info-comunicare fără un algoritm de învățare automatizată implementat. Cu toate acestea, ca să aibă un succes nebun, avem nevoie ca programele și sistemele să lucreze într-un mod mai uman, astfel încât să le putem înțelege și să ne poată înțelege mai bine.

Pedro Domingos, profesor la Universitatea Seattle din Washington, spune că soluția este un algoritm principal, Sfântul Graal al științelor informatice, care cuprinde cele cinci abordări ale algoritmilor de învățare. Dacă luăm „algoritmul principal” al tuturor tehnologiilor și îl integrăm într-un singur sistem, ar trebui să devină atât de important încât să îl putem numi „Marea teorie unificată” a mașinilor. El nu intră în detaliu cu privire la momentul în care se întâmplă acest lucru, tot ce spune este că se poate întâmpla „poate astăzi, poate în 200 de ani”.

Algoritmul poate învăța orice din date și poate, teoretic, să tragă concluzii la toate cunoștințele din lume. Putem adăuga structura cristalină a ADN-ului și va veni cu dublu helix; poate diagnostica și vindeca pe baza datelor găsite în baza de date enormă a bolnavilor de SIDA și cancer.

Acest algoritm principal este o perspectivă viitoare foarte nesigură acum, dar este sigur că învățarea automatizată va defini viitorul chiar mai puternic decât în prezent.

Lucrări folosite:

AlphaGo retires from competitive Go after defeating world number one 3-0

Deep Reinforcement Learning

Is a master algorithm the solution to our machine learning problems?

Machine learning, the new AI

iPad_festival
Apple Inc. (AAPL)

Ai citit asta?

„Fiecare Mac pe care îl cumpărăm permite IBM să economisească bani.”

Computerele care funcționează sub Windows ajung să fie, în final, de trei ori mai scumpe decât Mac-urile. ... - Apasă aici!