Nagyon sok minden, amit ma hall a mesterséges intelligenciáról, a mély tanulásból származik. Ez az algoritmuskategória statisztikákkal dolgozik az adatok mintáinak megtalálására, és rendkívül hatékonynak bizonyult az emberi készségek utánozásában, például látás- és halálkészségünkben. Nagyon szűk mértékben akár utánozni tudjuk az érvelési képességünket. Ezek az algoritmusok támogatják a Google Search, a Facebook Newsfeed, a Netflix ajánlásmotort és alakítják az iparágakat, például az egészségügyet és az oktatást.
Hogyan alakul a mély tanulás?
Annak ellenére, hogy a mély tanulás gyakorlatilag egymaga eljuttatta a mesterséges intelligenciát a nyilvánossághoz, ez csak egy kis villanás az emberiség történelmi feladatában, hogy saját intelligenciáját reprodukálja. Kevesebb, mint egy évtizede volt a kutatás élvonalában. Ha elhagyjuk a terület teljes történelmét, könnyű megérteni, hogy hamarosan el is tűnik.
A különféle módszerek hirtelen hullámvölgyei régóta jellemzik az AI kutatást - mondta. Minden évtizedben heves verseny zajlik a különböző ötletek között. Ezután időről időre a kapcsoló megfordul, és az egész közösség elkezdi egy dolgot.
Kollégáink a MIT Technology Review-nál akarták megjeleníteni ezeket a problémákat és az indulást. E célból az arXiv néven ismert nyílt tudományos publikációk egyik legnagyobb adatbázisához fordultak. Letöltöttek kivonatokat az AI szakaszban elérhető összesen 16 625 cikkből 2018. november 18-ig, és nyomon követték az évek során említett szavakat, hogy megnézhessék a mező fejlődését.
Az elemzésük során három fő tendencia derült ki: a gépi tanulás felé a 90-es évek végén és a 2000-es évek elején, az ideghálózatok népszerűségének növekedése, amely a 2010-es évek elején kezdődött, és a megerősítő tanulás növekedése az elmúlt néhány évben.
Promóciós videó:
De először néhány figyelmeztetés. Először, az AX-vel ellátott arXiv rész 1993-ban nyúlik vissza, és a „mesterséges intelligencia” kifejezés az 1950-es évekre nyúlik vissza, tehát maga az adatbázis csak a terület története utolsó fejezeteit képviseli. Másodszor, az adatbázisba minden évben hozzáadott dokumentumok csak a töredékét képviselik az ezen a területen jelenleg végzett munkának. Az arXiv azonban kiváló forrást kínál a fő kutatási trendek azonosításához és a háború vontatásának meglátásához a különböző ideológiai táborok között.
A gépi tanulási paradigma
A kutatók által a legnagyobb változás a tudásalapú rendszerekről a 2000-es évek eleje felé való elmozdulás volt. Az ilyen számítógépes rendszerek azon az elképzelésen alapulnak, hogy lehetséges minden emberi tudást kódolni egy szabályrendszerbe. Ehelyett a tudósok a gépi tanuláshoz fordultak, amely a mély tanulást magában foglaló algoritmusok szülőkategóriája.
A felsorolt 100 szó közül a tudás-alapú rendszerekkel - „logika”, „korlátozások” és „szabály” - kapcsolatos szavak csökkent a legtöbb. És a gépi tanulással kapcsolatosak - "adatok", "hálózat", "teljesítmény" - növekedtek a legjobban.
Az időjárás-változás oka nagyon egyszerű. Az 1980-as években a tudásalapú rendszerek egyre népszerűbbek voltak a rajongók körében, köszönhetően az ambiciózus projektek körüli izgalomnak, amelyek megpróbálták újra létrehozni a gépek józan észét. Amikor ezek a projektek kibontakoztak, a kutatók komoly kihívással szembesültek: Túl sok szabályt kellett kódolni, hogy a rendszer bármi hasznosat elérhessen. Ez megnövekedett költségekhez vezet, és jelentősen lelassította a folyamatban lévő folyamatokat.
A probléma megoldása a gépi tanulás. Ahelyett, hogy az embereket több száz ezer szabály kézi kódolására kötelezné, ez a megközelítés a gépeket automatikusan kinyomtatja ezeket a szabályokat egy halom adatból. Hasonlóképpen, ez a terület elmozdult a tudásalapú rendszerektől, és a gépi tanulás fejlesztésére fordult.
Az idegi hálózatok fellendülése
A gépi tanulás új paradigmáján belül az átmenet a mély tanuláshoz nem történt egyik napról a másikra. Ehelyett a kulcsfogalmak elemzése kimutatta, hogy a tudósok számos módszert kipróbáltak a neurális hálókon túl, a mély tanulás fő mechanizmusain. Más népszerű módszerek közé tartozott a bayes-i hálózatok, a támogató vektorgépek és az evolúciós algoritmusok, amelyek mindegyike eltérő megközelítést alkalmaz az adatok mintáinak megtalálására.
Az 1990-es és 2000-es években erõs verseny volt e módszerek között. Aztán 2012-ben egy drámai áttörés újabb időjárási változásokhoz vezetett. Az éves ImageNet verseny során, amely felgyorsítja a számítógépes látás fejlődését, Jeffrey Hinton nevű kutató és a torontói egyetem munkatársai közösen a 10% -ot meghaladó hibával érte el a legjobb képfelismerési pontosságot.
Az általa alkalmazott mély tanulási technika új kutatási hullámot váltott ki, először a vizualizációs közösségben, majd azt követően. Ahogy egyre több tudós kezdte felhasználni azt lenyűgöző eredmények elérésére, ennek a technikanak a népszerűsége, valamint az idegi hálózatok népszerűsége mellett gyorsan növekedett.
A megerősítő tanulás növekedése
Az elemzés rámutatott, hogy néhány évvel a mélyreható tanulás korszakát követően az AI kutatás harmadik és utolsó változása következett be.
A különféle gépi tanulási módszereken kívül három különféle típus létezik: felügyelt tanulás, felügyelet nélküli tanulás és megerősítő tanulás. A felügyelt tanulás, amely magában foglalja a címkézett adatok betáplálását a gépre, a leggyakrabban alkalmazott, és manapság is a legpraktikusabb alkalmazásokkal rendelkezik. Az elmúlt években azonban a megerősítő tanulás, amely az állatok tanulási folyamatát sárgarépa és pálca, büntetés és jutalom révén utánozza, a referenciák gyors növekedéséhez vezetett a művekben.
Maga az ötlet nem új, de évtizedek óta nem működött. „A felügyelt tanulási szakemberek nevetett a megerősítő tanulás szakembereiről” - mondja Domingos. De a mély tanuláshoz hasonlóan az egyik fordulópont hirtelen előtérbe helyezte a módszert.
Ez a pillanat 2015 októberében érkezett, amikor a megerősítéssel edzett DeepMind AlphaGo legyőzte a világbajnokot az ősi játékban. A kutatói közösségre közvetlen hatással volt.
A következő tíz évben
A MIT technológiai áttekintés csak a legfrissebb pillanatképet nyújtja az AI-kutatást jellemző ötletek közötti versenyről. Ez azonban szemlélteti az intelligencia megkettőzésének következetlenségét. "Fontos megérteni, hogy senki sem tudja megoldani ezt a problémát" - mondja Domingos.
A 25 évig alkalmazott módszerek közül sok az 1950-es években ugyanabban az időben jelent meg, és nem felel meg az egyes évtizedek kihívásainak és sikerének. A neurális hálózatok például a 60-as években és kissé a 80-as években tettek csúcsot, de majdnem meghaltak, mielőtt a mély tanulásnak köszönhetően visszanyerték népszerűségüket.
Más szóval, minden évtizedben más technikák dominanciáját látják: ideghálózatok az 50-es és 60-as évek végén, különféle szimbolikus kísérletek a 70-es években, tudás-alapú rendszerek a 80-as években, bayes-i hálózatok a 90-es években, referenciavektorok a nulla és idegi hálózatok ismét a 2010-es években.
A 2020-as évek nem különböznek egymástól - mondja Domingos. Ez azt jelenti, hogy a mély tanulás korszaka hamarosan véget érhet. De mi történik majd - egy régi technika új dicsőségben vagy egy teljesen új paradigma -, ez heves viták tárgya a közösségben.
Ilya Khel