Хотя это далеко от первоначальной концепции искусственного интеллекта, машинного обучения и принес нам гораздо ближе к конечной цели создания мыслящих машин. Вот как это работает.
В декабре 2017 года, DeepMind, научно-исследовательской лаборатории Google приобрела в 2014 году, представил AlphaZero, программы искусственного интеллекта, которые могли бы победить чемпионов мира на несколько настольных игр.
Интересно, AlphaZero получил ноль указания от людей о том, как играть в игры (отсюда и название). Вместо этого, он использовал машинное обучение, филиал AI, который развивает свое поведение на основе опыта, а не явные команды.
В течение 24 часов, AlphaZero достичь сверхчеловеческой производительности в шахматы и победил предыдущего чемпиона мира по игре в шахматы. Вскоре после того, как, машинного обучения AlphaZero алгоритм также освоили Сеги (японские шахматы) и китайская настольная игра пойдет, и он победил своего предшественника, AlphaGo, 100 к нулю.
Машинное обучение стало популярным в последние годы и помогает компьютерах решать проблемы, ранее считавшиеся исключительной прерогативой человеческого интеллекта. И хотя это все-таки дальний бросок от первоначальной концепции искусственного интеллекта, машинного обучения стала нам гораздо ближе к конечной цели создания мыслящих машин.
В чем разница между искусственным интеллектом и машинным обучением?
Традиционные подходы к разработке искусственного интеллекта задействованы дотошно кодирования всех правил и знаний, которые определяют поведение агента ИИ. При создании правила на основе ИИ, разработчики должны писать инструкции, которые определяют, как ИИ должен вести себя в ответ на все возможные ситуации. Этот подход на основе правил, также известный как старый добрый ИИ (ГОФАИ) или символические ИИ, пытается имитировать рассуждения человеческого разума и функции представления знаний.
Прекрасным примером символического ИИ вяленая, высокопоставленный, с открытым исходным кодом шахматный движок более 10 лет. Сотни программистов и шахматистов способствовали вяленая и помогали развивать его логику, разработав свои правила—например, что ИИ нужно делать, когда противник перемещает своего коня с B1 на С3.
Но правило на основе ИИ часто перерывы при работе с ситуациями, когда правила слишком сложные и неявные. Признавая слова и объекты на изображениях, например, являются дополнительные операции, которые не могут быть выражены в логических правил.
В отличие от символических ИИ, машинного обучения модели искусственного интеллекта развиты не писать правила, но, собрав примеры. Например, создать на основе машинного обучения шахматный движок, разработчик создает базовый алгоритм, а потом «тренирует» его сведения из тысяч ранее играл в шахматы. Анализ данных, искусственный интеллект обнаруживает общие закономерности, которые определяют выигрышные стратегии, которые он может использовать, чтобы победить реальных соперников.
Чем больше игр ИИ комментарии, тем лучше он становится на прогнозировании выигрышных ходов во время игры. Именно поэтому машинное обучение определяется как программа, исполнение которого улучшается с опытом.
Машинное обучение применяется для многих реальных задач, в том числе классификации изображений, распознавание голоса, рекомендации содержания, выявления случаев мошенничества и обработки естественного языка.
Контролируемое и неконтролируемое обучение
В зависимости от проблемы они хотят решить, разработчики подготовят соответствующие данные, чтобы строить свои машины-модель обучения. Например, если они хотели использовать машинное обучение для обнаружения мошеннических банковских операций, разработчики могли бы составить список существующих транзакций и маркировать их с их итогами (ложные или действительные). Когда они питаются данные к алгоритму, она отделяет мошеннических и действительных сделок и находит общие черты в каждом из двух классов. Процесс учебных моделей с аннотациями данных, называется «обучение с учителем» и в настоящее время является доминирующей формой обучения машины.
Многие онлайн-хранилищ меченых данных для различных задач уже существуют. Некоторые популярные примеры-сетевая интеграция, открытый исходный набор данных из более чем 14 миллионов маркированных изображений, и MNIST, набор 60,000 пометкой рукописные цифры. Машинного обучения разработчики также использование платформ, таких как механических Амазонки турка, онлайн, по требованию найма ступицы для выполнения когнитивных задач, таких как маркировка изображений и аудио-сэмплы. И растущий сектор стартапов специализируется в аннотации данных.
Но не все проблемы требуют меченых данных. Некоторые машинного обучения проблемы могут быть решены путем «обучения без учителя», где вы предоставляете AI-модели с необработанными данными и дайте ему выяснить для себя, какие модели актуальны.
Обычно обучение без учителя является обнаружение аномалии. Например, машинного обучения алгоритм может тренироваться на сырье сеть-трафик данных, подключенного к сети Интернет устройства—скажем, смарт-холодильник. После обучения, ИИ устанавливает базовые показатели для устройства и флаг аномальное поведение. Если устройство будет заражен вредоносными программами, и начинает общаться с вредоносных серверов, машинного обучения модель будет в состоянии обнаружить его, потому что сетевой трафик отличается от обычного поведения наблюдаемых во время тренировки.
Обучение С Подкреплением
Сейчас, вы, наверное, знаете, что качество подготовки данных играет огромную роль в эффективности моделей машинного обучения. Но обучение с подкреплением — это специализированный тип машинного обучения, в котором искусственный интеллект, развивает свое поведение без использования предыдущих данных.
Самообучающемся модели начать с чистого листа. Они только на основные правила своей среды и задачи. Путем проб и ошибок, они учатся оптимизировать свои действия для своих целей.
AlphaZero DeepMind является интересным примером обучения с подкреплением. В отличие от другой модели машинного обучения, которая должна видеть, как люди играют в шахматы и учиться у них, AlphaZero начали только зная ходы кусочки и условия победы в игре. После этого, в нее играли миллионы матчи против себя, начиная с случайных действий и постепенно развивается поведенческие модели.
Обучение с подкреплением является горячей областью исследований. Это основная технология, используемая для разработки ИИ модели, которые могут освоить сложные игры, такие как Dota 2 и StarCraft 2, а также используется для решения реальных жизненных проблем, таких как управление данными и создание роботизированных рук, которые могут обрабатывать объекты с человека, как ловкость.
Глубокое Изучение
Глубокое обучение — это еще одно популярное подмножество машинного обучения. Он использует искусственные нейронные сети, программного обеспечения, конструкций, которые примерно вдохновленные биологической структуры головного мозга человека.
Нейронные сети в Excel по обработке неструктурированных данных, таких как изображения, видео, аудио, и длинные отрывки текста, например, статей и научных работ. До глубокого обучения, машинного обучения специалистам пришлось приложить немало усилий на извлечение объектов из изображений и видео и запустить их алгоритмов на вершине, что. Нейронные сети автоматически определить эти функции, не требуя особых усилий от инженеров человека.
В глубоком изучении позади многих современных технологий ИИ, такие как беспилотные автомобили, современные системы перевода и распознавания тек в вашем iPhone Х.
Пределы машинного обучения
Люди часто путают машинного обучения с человека-уровень искусственного интеллекта, и маркетинговые отделы некоторых компаний умышленно используют термины взаимозаменяемы. Но во время обучения машина прилагает большие усилия к решению сложных проблем, это еще очень далеко от создания мыслящих машин предусмотрено пионеров ИИ.
В дополнение к обучению с опытом, истинный интеллект требует рассуждения, здравый смысл, и абстрактное мышление—области, в которых моделей машинного обучения выполняют очень плохо.
Например, во время обучения машина хороша на сложных распознавания таких задач, как прогнозирование рака молочной железы на пять лет вперед, он борется с проще логика и рассуждения задачи, такие как решение школьных математических задач.
Отсутствие машинного обучения сил рассуждение делает это плохо обобщая свои знания. Например, машинного обучения агента, которая может играть в Супер Марио 3 как профессионал не будет доминировать другой игровой платформы, такие как Мега человек, или даже еще одна версия Супер-Марио. Ему необходимо пройти обучение с нуля.
Без власти для извлечения концептуальных знаний из опыта, модели машинного обучения, требуют тонны обучающих данных, чтобы проанализировать. К сожалению, многие домены не имеют достаточной подготовки данных или не хватает средств для приобретения более. Глубокое обучение, которое сейчас преобладает форма машинного обучения, также страдает от проблемы explainability: нейронные сети работают в сложных отношениях, и даже их борьбу создателей следовать их процессы принятия решений. Это делает его трудно использовать силу нейронных сетей в условиях, где существует юридическое требование, чтобы объяснить решения АИ.
К счастью, предпринимаются усилия, чтобы преодолеть пределы машинном обучении. Одним из ярких примеров является широко распространенной инициативу ДАРПА, Департамента оборонных исследований руке, чтобы создать объяснимо модели искусственного интеллекта.
Другие проекты направлены на снижение машинного обучения излишнюю зависимость на размеченных данных и сделать технологию доступной для доменов с ограниченным обучающих данных. Исследователи в IBM и MIT недавно сделали прорыв в области путем сочетания символических ИИ с нейронными сетями. Гибридные модели искусственного интеллекта требует меньше данных для обучения и может предоставить пошаговые объяснения своих решений.
Действительно ли эволюция машинного обучения в конечном итоге поможет нам достичь постоянно ускользающего цель создания человека-уровень искусственного интеллекта по-прежнему не было видно. Но что мы знаем наверняка, это то, что благодаря достижениям в области машинного обучения, устройства сидят на наших столах и отдыхает в наших карманах становится все умнее с каждым днем.