Hva skjer hvis du forlater kunstig intelligens uten tilsyn?

Innhold:

Uavhengig AI

Selv om det allerede er en dårlig form - for å nevne fjorårets kamp av Alpha Go og en person i første ledd, la oss starte med dette eksemplet. Han er interessert i oss fordi dette er kanskje det første tilstrekkelige tilfellet av "selvlærende AI". Det er mange andre eksempler, men til dags dato har de ikke forlatt laboratoriene og er generelt ukjente for allmennheten. Kjernen til AlphaGos selvstudium var de mange timene med å spille spill med seg selv, samt studien av spillene som spilles.

Denne konkurransen mellom mann og bil tiltrukket oppmerksomheten til alle store publikasjoner. Jeg, som alltid, brems og hadde ikke tid til dette nydelige memo-toget av moderne journalistikk. Men "konfrontasjonen av århundret" er interessant, ikke bare av sprøytenarkomanen rundt den (en million dollar i premiepenger, tildelt en æresdags 9th i spillet, et vitenskapelig gjennombrudd av året ifølge Science) og en distinkt smak av Azimov-fiksjon. Essensen av handlingen i korthet: AlphaGo spillmaskinen dominert og vant 4 av 5 kamper i det tradisjonelle orientalske spillet. Hun vant ikke på noen førsteklasses spiller, men på koreansk go-profesjonell 9 dan Lee Sedol (2. plass i internasjonal vurdering). Eksperter sier at denne saken ikke ser ut som et sjakkkamp av en datamaskin og Garry Kasparov, fordi i 1997 ble datamaskinen opplært under tilsyn av sjakkspillere, som selv skrev strategier og coachte ham. For trening av AlphaGo-spiller-spilleren ble brute force-metoden brukt (maskinen så på et utvalg av hundretusener av partier) som ligner på de arbeidsvitenskapelige modellene som er kjent som GANs (generative adversarielle nettverk). De er av spesiell interesse, fordi representanter for AlphaGo-teamet har tatt hånd om disse konkurransedyktige nevrale nettverkene. Vi vil vurdere dem i denne artikkelen.

En slik tilnærming til opplæringen av kunstig intelligens er ikke lenger nyheter - generative konkurrerende nettverk eller bare GANs dukket opp først i 2014 ved hjelp av Ian Goodfellow. GANs jobber veldig enkelt - som et bunt av advokatadvokat, en dårlig god politimann eller en kritikforfatter. Et nettverk (diskriminator, D) klassifiserer, markerer innkommende data som falsk eller sann. Et konkurrerende nettverk (generator, G) studerer diskriminatorens anslag og kan skape nye data basert på disse estimatene. Disse nevrale nettverkene lærer hverandre hverandre. Og mest interessant, trenger GANer svært små prøver av treningsinformasjon - det tar bare noen få hundre bilder og tre eller fire repetisjoner for at generatoren skal begynne å produsere sine egne versjoner av de opprinnelige bildene (før læringsprosessen av nevrale nettverk trengte mange timer og millioner av prøver).

En av de mest interesserte i GAN-modellene til AI var Facebook, som til og med skyndte seg å publisere et innlegg om det. Hvorfor Facebook? Fordi det er den mest offentlige aktøren i det høyteknologiske markedet - både Google og Amazon, og Microsoft kjøper massivt lag og oppstart i kunstig intelligens for å lage sin egen utvikling. Men de er litt bak Facebook, som har et stort treningsprøve for AI-trening på bilder (datasyn er en av de mest populære AI-treningsmetodene) og et utmerket FAIR-team (Facebook Artificial Intelligence Research Group).

Sammendrag: Diskriminatornettverket lærer å skille virkelige bilder fra datagenererte bilder, og nettverksgeneratoren trener for å skape realistiske fotografier som ikke kan skiller seg fra originalen. I dette treningsløpet har begge nettverk like (?) Sjanser for suksess. Hva skjer når de fullfører trening?

Trendopad

I de senere år har maskinlæring bare en gylden alder - den økte kraften til datamaskiner, umiddelbar tilgang til store datarammer gjør dette området veldig varmt. I dag er AI en Ford-bil i begynnelsen av forrige århundre eller romsatellitter på 60-tallet - en generell rush, svimlende spådommer og en svak forståelse av hva man skal gjøre med all denne rikdommen. Nedenfor finner du eksempler på de nyeste høyteknologiske teknologiene innen AI.

One-shot læring er opplæring av nevrale nettverk på en liten mengde data, ideelt med et enkelt eksempel og en liten prøve for trening. Flere og flere oppstart jobber med raskt lærende AI.

Så, gjenta algoritmen DeepStack ikke gjenta Alpha Gos skjebne, men kom veldig nært til vellykket opplæring i små prøver. I slutten av 2016 gjennomførte DeepStack en serie med å lære Texas pokerspill med 11 spillere fra den internasjonale pokerorganisasjonen. Algoritmen tok 3000 kombinasjoner med hver spiller for å vise gode resultater - sikker (gjennomsnittlig 396 poeng) seire over ti spillere og en nær seier over ellevte (70 poeng, statistisk nøyaktighet). Algoritmen ble ikke bare lært i spillprosessen, men brukte metoden for gjenoppløsning (tilpasning til hver ny spiller og hver ny kombinasjon av kort). DeepStack er et resultat av å dele dype rekursive nevrale nettverk og GANs.

Microsoft ResNet Neural Network-prosjektet brukes til bildegjenkjenning. Hvis du fanger opp det neurale nettverket, mens du sorterer og gjenkjenner bilder, får du disse bildene:

Perspektivretning i rettsmedisinsk vitenskap og fotografi, Ansikts aldring Med GANs - et par diskriminatorgeneratorer etter en treningsøkt på 5000 fotografier av menneskelige ansikter i ulike aldre, kan gjengi, forutsi endringer av individer med alder. Hvis generatoren reproduserer en eldre person, bestemmer diskriminatoren hvor mye resultatet samsvarer med originalen.

King of Goldman Sachs-forhandlere erstattet noen av sine handelsmenn med algoritmer. Stedet på 600 vanlige handelsfolk er nå okkupert av 200 utviklere og ingeniører som støtter handelsalgoritmer. Dette er knyttet til en stor (146 poeng) bankforvaltningsplan for automatisering av enkle meglerforetak. Traders med stor erfaring og erfarne selgere vil ikke bli påvirket av dette.

Selv om det i enkelte hedgefond (Sentient Technologies inc., Numerai, Emma hedgefond), AI-baserte handelsalgoritmer allerede gjør alt arbeidet med analyse og prognoseresultater. Vanligvis er spesialister i AI ikke begeistret for å jobbe for finansielle selskaper, men fordelene med store datasett og muligheter for opplæring AI oppveier skepsis og uvillighet til å jobbe for kapitalistiske Molochs. 2016 var fødselsåret til flere hedgefond på en gang, hvor kunstig intelligens handles.

Kinesisk tvilling "Google" Baidu sover heller ikke. De fleste kinesiske utviklingen innen AI, maskinlæring, distribueres gratis, og alle kan teste og studere dem. I januar 2017 åpnet et kunstig virkelighetslaboratorium i Beijing, hvor Andrew Eun ønsker å få venner med virtuell virkelighet og arbeidet med søkemotorer.

En annen lovende utvikling av Baidu er den medisinske bot Melody, som er i stand til å gjennomføre en primær pasientundersøkelse og truer med å erstatte hele registreringsavdelingen i polyklinikker.

Demokratisering av AI - Forskere trenger i dag store mengder informasjon og datakraft, så nå er kun store bedrifter og forskningsinstitutter konkurransedyktige innen AI. Så snart AI-modeller vises som er i stand til å studere på små mengder informasjon, blir det enda mer interessant, fordi enda flere mennesker vil kunne trene og utforske AI. Kanskje det vil være sosiale nettverk (allerede) der folk vil kunne dele fremdrift med å trene sine AI-agenter.

Distribusjon vil motta mekanismer for automatisk gjenkjenning av falske nyheter, bilder, videoer. Utviklingen av IBR (bildebasert gjengivelse), en teknologi som gjør det mulig å tegne nye rammer basert på eksisterende (noe som ligner på metoder som allerede er implementert i mellomliggende eller bevegelsesinterpolering), krever bare utseendet til en slik falsk analysator.

En annen hallo fra det kinesiske Kina er utviklingen av Face ++ ansiktsgjenkjenning, som gjør at du kan betale med ansiktet ditt (det er vanskelig å telle hvor mange lag det er i denne ordspillet). Testing av utviklingen er basert på Alipays mobilbetalingssystem: nå kan du foreta betalinger ved å gi bare ditt eget ansikt.

I språket for talegjenkjennelse og reproduksjon er flere saker av interesse: Adobe Voco (Voice Conversion) presentasjon "Photoshop for voice" - et program for Adobe Audition som manipulerer den opprinnelige prøven av menneskelig tale, legger til nye ord og betydninger for den opprinnelige meldingen. Nå tar ventriloquization nye betydninger.

Et godt eksempel på hvordan en uavhengig forsker kan lære AI-språk er:

Programmet lærer engelsk:

Programmet lærer japansk:

Og hva vil skje hvis du forlater AI uovervåket? Han vil selvstudium uten å stoppe og bli mer og mer perfekt, for eksempel i musikk:

Algoritmisk mashup eller kunstig Stravinsky

I stedet for konklusjoner: når jeg hører at unge med en MBA-grad gjør AI oppstart, når hånden min til musen. Hvis vi vurderer hvor mye gratis programvare og kraftige datamaskiner som er tilgjengelige for vanlige mennesker i dag, så må mote på AI ikke være overraskende. Til tross for HYIP rundt kunstig intelligens og maskinlæring, fantastiske spådommer og barnslige triks som Rocket AI, til tross for alle fremskrittene i dette området, kan AI nesten ikke kalles intelligens i den nøyaktige definisjonen av dette ordet ("folk, mennesker overalt" - alt arbeidet med utvikling og støtte Kunstig intelligens utføres nå av mennesker, AI kan ikke engang navngi seg, det sier bare hva forskere har investert i det). De fleste tjenestene som opererer på grunnlag av kunstig intelligens, støttes fortsatt av utviklere, vi kan bare snakke om en liten del av automatiseringen av intelligente maskiner. Så langt, kunstig intelligens bare gjentar og reproduserer opplærings- eller arbeidsinformasjon - ja, det amazes med datakraft og læringshastighet, men det handler om det. Det er for tidlig å snakke om noe som ligner på menneskelig høyere nervøsitet. "Ja, og ikke nødvendigvis," Larry Niven * ville si.

Oppdatering 02.23.17: Facebook lanserte profetprosjektet, et automatisk forretningsprognoseringsverktøy. Profeten bruker additive ikke-parameterregressjonsanalysemodeller for sine spådommer.

Basert på podcasten med Ian Goodfellow og Richard Mallah.

* "Det er sinn som tenker annerledes." 15. Nivis lov *. - "Det er sinn som tenker på samme måte som deg. Bare på en annen måte." 15 Nivens lov.

Se på videoen: Captain America: The Winter Soldier (Januar 2020).

Loading...

Legg Igjen Din Kommentar