Na konferenci o hlubokém strojovém učení v Londýně minulý měsíc bylo několikrát vzneseno jedno téma: důležitost porozumění tomu, co opravdu děláme. Zatímco společnosti jako Google nadále tvrdí, že všichni žijeme v „prvním století umělé inteligence“, když strojové učení teprve začíná objevovat nové oblasti činnosti (jako je rozpoznávání řeči a obrazu), ti, kdo opravdu stojí v popředí výzkumu AI se snaží zdůraznit, že před skutečným věkem AI je třeba řešit mnohem více výzev. I když již máme digitální pomocníky, kteří mohou mluvit jako počítače ve sci-fi filmech, neznamená to, že jsme vážně blízko k vytváření skutečné umělé inteligence.
Nakonec jsou všechny problémy, které stojí v cestě vytváření skutečné umělé inteligence, následující: v množství informací, které do nich bude třeba investovat; v naší neschopnosti vytvořit umělou inteligenci, která by dokázala zvládnout stejně dobře několik úkolů najednou; ve skutečnosti nemáme ani ponětí, jak by takové systémy skutečně měly fungovat. Technologie strojového učení jsou již schopny dělat úžasné věci v roce 2016, ale tyto věci mohou být někdy obtížné vysvětlit, a to i pro samotné tvůrce. Nemluvě o tom, kolik to všechno stojí. Podívejme se blíže na složitosti, kterým dnes inženýři AI čelí.
Nejdříve informace, pak AI
Všichni dokonale chápeme, že umělá inteligence potřebuje přístup k informacím, aby mohla studovat svět kolem nás, ale úplně nechápeme, kolik informací je zapotřebí. Podle Neila Lawrence, profesora strojového učení na University of Sheffield a člena týmu pro vývoj technologie AI v Amazonu, budou tyto systémy potřebovat stovky a tisícekrát více informací než člověk, aby se naučily porozumět světu a rozpoznávat určité objekty.
"Pokud se podíváte na všechna odvětví a oblasti, kde inženýři dosáhli určitého úspěchu v strojovém hlubokém učení, můžete okamžitě vidět, kolik informací bylo použito k vyřešení všech těchto problémů," říká Lawrence a cituje jako příklad stejné technologie rozpoznávání řeči a obrazu.
Společnosti jako Google a Facebook mají přístup k horským informacím, což samozřejmě usnadňuje vytváření různých užitečných nástrojů (například stejné technologie hlasového vyhledávání pro Android).
Pro Lawrence je nyní informace to, co uhlí bylo v prvních letech průmyslové revoluce. Jako příklad uvádí Lawrence Thomase Newcomena, Angličana, který vytvořil v roce 1712 (ve skutečnosti 60 let před vytvořením takového stroje Jamesem Wattem) primitivní verzi parního stroje poháněného uhlí. Nováčekův vynález nebyl dokonalý. Ve srovnání s Wattovým strojem se ukázalo být neefektivní a příliš drahé na používání. Z velké části to mohlo být použito pouze v uhelných dolech, kde množství paliva, které je třeba vynaložit pro nedostatky stroje.
Příklad technologie Facebook pro rozpoznávání otevřených obrázků
Propagační video:
Lawrence věří, že by mohli být stovky těchto nováčků po celém světě, kteří by vyvíjeli své vlastní modely strojového učení. Možná mezi nimi existují skutečně revoluční myšlenky, ale bez jejich technologií přístupu k obrovským databázím informací o nich, pravděpodobně nikdo nebude vědět. Velké společnosti jako Google, Facebook a Microsoft - jsou to velmi moderní „horníci z uhlí“. Mají přístup k neomezenému množství informací, takže mohou vytvářet neúčinné systémy strojového učení a poté je vylepšovat. Malé startupy sice mohou mít skvělé nápady, ale nikdy nedosáhnou ničím, co by stálo za to, aniž by měly přístup k informačním základnám.
Tento problém se stává ještě jasnějším, když se podíváte na oblasti, kde je získávání požadovaných informací ještě obtížnější. Vezměme si například zdravotnický systém, ve kterém lze umělou inteligenci použít k plnění úkolů souvisejících se strojovým viděním - například nalezení a rozpoznání zhoubných nádorů na rentgenových paprskech. Přístup k těmto údajům je však obvykle velmi omezený. Hlavním omezujícím faktorem je podle Lawrence současné vnímání lidí, že je pro třetí strany neetické přístup k tomuto druhu informací. Hlavním problémem podle Lawrence není hledání způsobů šíření informací, ale to, jak zefektivnit systémy strojového učení a naučit se pracovat s méně informacemi. A tato zlepšení účinnosti by podle vědců mohla trvat stejných 60 let.jako tomu bylo u Wattova auta.
Specializace je slepá ulička. AI musí být schopen multitaskingu
Další klíčovou výzvou pro vývoj skutečně hlubokých modelů strojového učení je skutečnost, že všechny naše současné systémy umělé inteligence jsou ve skutečnosti velmi němé. Podle Rya Hudsell, výzkumníka společnosti Google DeepMind, je možné tyto systémy skutečně naučit provádět úkoly rozpoznávání koček, hrát a zároveň být velmi efektivní při plnění těchto úkolů. Ale „v současné době na světě neexistuje jediná plnohodnotná neuronová síť a metody, které by ji naučily rozpoznávat obrázky, hrát Space Invaders a uvažovat o hudbě.“Klíčovým základem pro vytváření systémů hlubokého učení pro stroje jsou neuronové sítě.
A tento problém je mnohem závažnější, než by se mohlo na první pohled zdát. Když společnost DeepMind loni v únoru oznámila, že vybudovala systém, který dokáže hrát 49 her Atari, lze to skutečně považovat za velký úspěch. Nakonec se však ukázalo, že až systém dokončí průchod jedné hry, pokaždé musí být přeškolen, aby mohl hrát další. Hudsell poznamenává, že nemůžeme naučit systém hrát všechny hry najednou, protože pravidla každého z nich se budou mísit a nakonec do úkolu zasahovat. Pokaždé, když se musíte stroj znovu naučit, a pokaždé, když systém „zapomene“, jak hrát předchozí hru.
„Abychom vytvořili obecnou umělou inteligenci, potřebujeme něco, co nám pomůže naučit stroj provádět několik úkolů najednou. Teď je nemůžeme ani trénovat, aby hráli hry, “říká Hadsell.
Řešení lze skrýt v tzv. Progresivních neuronových sítích - kombinováním nezávislých systémů hlubokého učení do jednoho celku pro efektivnější práci s informacemi. Ve zveřejněné vědecké práci, která se zabývala tímto problémem, Hadsell a její tým vědců hovořili o tom, jak se jejich progresivní nervová síť dokázala přizpůsobit ve hře Pong, ve které byly podmínky pokaždé poněkud odlišné (v jednom případě byly barvy změněny; v druhém byly zmatené) ovládání), mnohem rychlejší než „obyčejná“neuronová síť, která musela být pokaždé znovu proškolena.
Základní princip progresivní neuronové sítě
Tato metoda se ukázala jako velmi nadějná a v poslední době se používá k vyladění robotických zbraní, což urychluje proces učení z jednoho týdne na jediný den. Tato metoda má bohužel také svá omezení. Hudsell poznamenává, že v případě progresivních neuronových sítí nelze proces učení omezit na pouhé přidání nových úkolů do jejich paměti. Pokud budete tyto systémy i nadále kombinovat, dříve nebo později se dostanete k „příliš složitému modelu, který nebude možné sledovat“. V tomto případě budeme hovořit o jiné úrovni. Úroveň, na které budou různé úkoly obecně prováděny stejným způsobem. Budování umělé inteligence schopné navrhovat židle a vytváření umělé inteligence na úrovni lidské inteligence, schopné psát básně a řešit diferenciální rovnice, není totéž.
AI můžeme nazvat AI, pokud můžeme ukázat, jak to funguje
Další skličující překážkou je pochopení toho, jak umělá inteligence dospěje ke svým závěrům při řešení problémů. Neuronové sítě jsou obvykle pro pozorovatele nepropustné. Navzdory skutečnosti, že víme, jak jsou shromažďovány a jak jimi procházejí informace, rozhodnutí, která dělají, obvykle zůstávají mimo vysvětlení.
Vynikajícím příkladem tohoto problému je experiment Virginia Tech. Vědci vytvořili sledovací systém pro neuronovou síť, který zaznamenává, z nichž pixelů v digitálním obrazu počítač začne analyzovat. Vědci ukázali obrázky neuronové sítě v ložnici a položili jí otázku: "Co visí na oknech?" Stroj místo toho, aby se díval přímo na okna, začal analyzovat obrazy začínající od podlahy. Do jejího zorného pole vstoupila postel a auto odpovědělo: „na oknech jsou záclony.“Odpověď se ukázala být správná, ale pouze proto, že systém byl „učen“pracovat s omezeným množstvím dat. Na základě zobrazeného obrázku neurální síť dospěla k závěru, že pokud fotografie ukazuje ložnici, pak by na oknech pravděpodobně měla být záclona. Takže když do jejího zorného pole vstoupil detail,která se obvykle nachází v jakékoli ložnici (v tomto případě postel), obraz dále neanalyzovala. Možná ani neviděla tuto postel, viděla závěsy. Je to logické, ale velmi povrchní a přitahované. Navíc, mnoho ložnic nemá závěsy!
Sledovací technologie je pouze jedním nástrojem, který nám může pomoci pochopit, co podněcuje stroj k určitému rozhodnutí, ale existují lepší metody, které mohou přidat více logiky a hloubkové analýzy do systémů strojového učení. Murray Shanahan, profesor kognitivní robotiky na Imperial College London, věří, že nejlepším řešením problému je revize staromódního paradigmatu AI - symbolické AI nebo GOFAI (dobrá staromódní umělá inteligence, „dobrá stará umělá inteligence“). Jeho paradigma se odráží ve skutečnosti, že absolutně jakýkoli úkol lze rozdělit na základní logické prvky, kde každé slovo je jen složitou sadou jednoduchých symbolů. Kombinací těchto symbolů - v akcích, událostech, objektech atd. - lze syntetizovat myšlení. Jen si pomyslete, že k takovému vývoji došlo v dobách, kdy byly počítače obrovskými boxy velikosti místnosti, pracujících na magnetické páse (práce začaly v polovině 50. let a pokračovaly až do konce 80. let minulého století).
Shanahan navrhuje kombinovat symbolické popisy GOFAI a technologie hlubokého učení. To umožní nejen takovému systému dodávat nové informace a čekat, až na základě těchto informací odvodí určité vzorce chování a řešení problémů. Shanahanův přístup je navržen tak, aby těmto systémům poskytl výchozí body pro pochopení světa. To podle jeho názoru nejen vyřeší problém průhlednosti umělé inteligence, ale také problém přenosného učení popsaného Hadsellem.
"Dá se říci, že Breakout je velmi podobný Pongu, protože v obou případech se používají" platformy "a" koule ", ale z pohledu lidského vnímání a logiky jde o dvě zcela odlišné hry. A je prakticky nemožné mezi nimi vytvářet paralely. Je to jako snažit se zkombinovat strukturu atomu a strukturu celé sluneční soustavy. ““
Shanahan a jeho kolegové z Imperial College London v současné době pracují na nové metodě strojového učení (které nazývají hluboké symbolické stimulované učení) a již zveřejnili výsledky některých malých experimentů. Metoda je stále v plenkách, a proto je obtížné říci, zda se bude škálovat na větší systémy pracující s různými typy dat. Stále však existuje šance, že tato metoda vyroste v něco víc. Koneckonců, hluboké učení bylo vždy nejnudnější a nejnudnější součástí vývoje umělé inteligence, dokud vědci nenašli způsob, jak rychle získat přístup k datům a získat obrovskou výpočetní sílu. Docela možné,je čas vrátit se ke starým vzorům AI a vyzkoušet je v novém prostředí.
NIKOLAY KHIZHNYAK