4 Причини не боятися глибокого навчання (поки що) | Бен Діксон

У 2012 році група вчених з університету Торонто здійснила прорив класифікації образів.

На щорічному конкурсі ImageNet (AI) з штучного інтелекту (AI) учасники змагання намагаються створити найточніший алгоритм класифікації зображень, команда Торонто дебютувала AlexNet, "яка вибила поле з величезною націнкою 10, 8 відсоткових балів … 41 відсоток краще, ніж наступний кращий ", за словами Кварца.

Глибоке навчання, метод, який використовує команда, було докорінним вдосконаленням порівняно з попередніми підходами до ШІ та спричинило нову еру інновацій. З того часу вона знайшла свій шлях до освіти, охорони здоров’я, кібербезпеки, настільних ігор та перекладу, і зібрала мільярди доларів в Силіконовій долині.

Багато хто похвалив глибоке навчання та його суперсет, машинне навчання, як загальноприйняту технологію нашої ери та більш глибоку, ніж електрика та вогонь. Інші, однак, попереджають, що глибоке навчання врешті-решт стане кращим для кожного завдання і стане кінцевим вбивцею роботи. А вибух додатків і служб, що забезпечується глибоким навчанням, знову породжував страх перед апокаліпсисом ШІ, в якому суперінтелектуальні комп’ютери підкорюють планету і загнали людей у ​​рабство чи вимирання.

Але, незважаючи на галас, глибоке навчання має деякі недоліки, які можуть заважати йому реалізувати деякі свої обіцянки - як позитивні, так і негативні.

Глибоке навчання занадто багато покладається на дані

Глибоке вивчення і глибокі нейронні мережі, які складають його основу, часто порівнюють з людським мозку. Але наш розум може вивчати концепції та приймати рішення з дуже невеликими даними; глибоке навчання вимагає тонни зразків для виконання найпростішого завдання.

По суті, глибоке навчання - це складна техніка, яка відображає вхідні дані до результатів, знаходячи загальні зразки в мічених даних та використовуючи знання для категоризації інших зразків даних. Наприклад, дайте програмі для глибокого навчання достатньо фотографій кішок, і вона зможе виявити, чи містить фотографія кота. Так само, коли алгоритм глибокого навчання поглинає достатню кількість звукових зразків різних слів і фраз, він може розпізнавати та записувати мовлення.

Але такий підхід ефективний лише тоді, коли у вас є багато якісних даних для подачі ваших алгоритмів. В іншому випадку алгоритми глибокого навчання можуть робити дикі помилки (як, наприклад, помилка гвинтівки для вертольота). Коли їхні дані не є всеосяжними та різноманітними, алгоритми глибокого навчання навіть виявляють расистську та сексистську поведінку.

Надійність даних також спричиняє проблему централізації. Оскільки вони мають доступ до величезної кількості даних, такі компанії, як Google та Amazon, вигідніші для розробки високоефективних додатків для глибокого навчання, ніж стартапи з меншими ресурсами. Централізація AI у кількох компаніях може перешкодити інноваціям і надати цим компаніям занадто сильний вплив на своїх користувачів.

Глибоке навчання не є гнучким

Люди можуть вивчати абстрактні поняття та застосовувати їх у різних ситуаціях. Ми робимо це постійно. Наприклад, коли ви вперше граєте в комп'ютерну гру, таку як Mario Bros., ви можете негайно використовувати знання в реальному світі - наприклад, необхідність перестрибувати ями або ухилятися від вогненних кульок. Згодом ви можете застосувати свої знання щодо гри в інших версіях Маріо, як Super Mario Odyssey, або інших іграх з подібною механікою, такими як Donkey Kong Country і Crash Bandicoot.

Проте програми AI повинні вивчити все з нуля. Погляд на те, як алгоритм глибокого навчання вчиться грати Маріо, показує, наскільки процес навчання AI відрізняється від процесу у людей. Він по суті починає нічого не знати про своє оточення і поступово вчиться взаємодіяти з різними елементами. Але знання, які вона отримує від гри Маріо, слугують лише вузькій області цієї однієї гри і не підлягають передачі іншим іграм, навіть іншим іграм Маріо.

Ця відсутність понятійного та абстрактного розуміння утримує програми глибокого навчання, орієнтовані на обмежені завдання та перешкоджає розвитку загального штучного інтелекту, такого типу ШІ, який може приймати інтелектуальні рішення, як це роблять люди. Це не обов'язково слабкість; деякі експерти стверджують, що створення загального ШІ - це безглузда мета. Але це, безумовно, обмеження в порівнянні з людським мозку.

Глибоке навчання непросте

На відміну від традиційного програмного забезпечення, для якого програмісти визначають правила, програми глибокого навчання створюють власні правила, обробляючи та аналізуючи тестові дані. Отже, ніхто насправді не знає, як вони діють висновків та рішень. Навіть розробники алгоритмів глибокого навчання часто опиняються збентеженими результатами своїх творінь.

Ця відсутність прозорості може стати головною перешкодою для ШІ та глибокого навчання, оскільки технологія намагається знайти своє місце у чутливих сферах, таких як лікування пацієнтів, правоохоронні органи та автомобілі, що займаються самостійним керуванням. Алгоритми глибокого навчання можуть бути менш схильні до помилок, ніж люди, але коли вони роблять помилки, причини цих помилок повинні бути пояснені. Якщо ми не можемо зрозуміти, як працюють наші програми AI, ми не зможемо довірити їм критичні завдання.

Глибоке навчання може переоцінити

Глибоке навчання вже зарекомендувало себе в багатьох галузях і продовжить трансформувати те, як ми робимо справи. Незважаючи на свої вади та обмеження, глибоке навчання не підвело нас. Але ми маємо коригувати свої очікування.

Як застерігає науковець з питань ІП, Гері Маркус, переповнення технології може призвести до чергової "Зимової ЗІ" - періоду, коли надто високі очікування та низька ефективність призводять до загального розчарування та відсутності інтересу.

Маркус припускає, що глибоке навчання - це не «універсальний розчинник, а один інструмент серед багатьох», а це означає, що, хоча ми продовжуємо вивчати можливості, які надає глибоке навчання, ми також повинні розглядати інші, принципово інші підходи до створення програм AI.

Навіть професор Джеффрі Хінтон, який став першопрохідником роботи, яка призвела до революції глибокого навчання, вважає, що, можливо, доведеться вигадувати абсолютно нові методи. "Майбутнє залежить від аспіранта, який глибоко підозріло ставиться до всього, що я сказав", - сказав він Аксіосу.