ИИ прорыв потребует исследователи хоронить их топорики

Сочетая правило на основе искусственного интеллекта с connectionism,’ МИТ и исследователи IBM, возможно, нашли ключ к следующему этапу АИ открытие.

The AI Breakthrough Will Require Researchers Burying Their Hatchets

Следующий прорыв ИИ может потребоваться прекращение давнего соперничества.

В течение многих лет, искусственного интеллекта, исследователи, как правило, берется один из двух подходов при создании решения задач алгоритмы: символизм, или правило, на основе АИ, которая ориентирована на ручное кодирование понятий, правил, и логики в компьютер программного обеспечения; и connectionism, который на основе искусственных нейронных сетей и цифровой представлений мозга, которые развивают их поведение органично, сравнивая множество примеров с течением времени.

До недавнего времени, символический AI был более популярным, и нейронные сети стали сторониться многие исследователи и компании. Но в 2012 году ученые из Университета Торонто совершили прорыв с помощью глубокого обучения—ИИ алгоритмы на основе нейронных сетей—чтобы выиграть сетевая интеграция, известного ежегодного компьютерного зрения конкуренции.

С тех пор, глубинное обучение и нейронные сети, повлекло за собой революцию в индустрии AI и помогли решить проблемы, которые ранее были подуманы, что будет за пределами возможностей компьютеров. Ранее в этом году, пионеры нейронных сетей были удостоены премии Тьюринга, аналога Нобелевской премии для информатика.

Как нейронные сети вырос в популярности, символический ИИ впал в немилость и был оттеснен на периферию исследований. Но сейчас, через семь лет в глубокое обучение, мы видели, что глубокое обучение-это не идеальное решение и имеет определенные недостатки, которые ограничивают его применение.

Одна группа исследователей в MIT и IBM уверены, что будущий прорыв в AI может прийти к прекращению соперничества между символического искусственного интеллекта и нейронных сетей.

В статье, представленной на международной конференции по изучению представлений (ICLR) ранее в этом месяце, эти исследователи представили концепцию под названием Нейро-символическая концепция учащегося, который приносит символический ИИ и нейронных сетей. Этот гибридный подход может создать ИИ, который является более гибким, чем традиционные модели и может решить проблемы, которые ни символической ИИ, ни нейронных сетей могут решить самостоятельно.

Опираясь на помеченных данных ограничения

“Глубокое обучение является чрезвычайно мощным, и он никуда не денется. Но сегодня ограничения”, – говорит Дэвид Кокс, директор по МИТ-лаборатории IBM Уотсон ИИ. “Одним из них является то, что она зависит от огромного количества данных. Вы должны иметь огромное количество данных для обучения одну из этих систем, данные, которые должны быть тщательно аннотированных”.

По своей сути, нейронные сети являются сложными математическими функциями, состоящий из тысяч переменных. Во время “обучения” этап, в сети глотает множество маркированных примеров и настраивает его переменных на основе общих закономерностей, которые он находит среди каждого класса примеры. Потом, когда вы запускаете новый кусок данных через сеть, его можно классифицировать данные, основанные на статистической схожести с примерами в Сети уже видел. Нейронные сети особенно эффективны на такие задачи, как классификация изображений, распознавания речи и обработки естественного языка, территории, где правят основе ИИ исторически боролись.

Но эта опора на данных представляет серьезную трудность. “Для многих из проблем, которые мы имеем, у нас просто не хватает объема данных, необходимых для обучения глубокие алгоритмов обучения, как они стоят сегодня”, – говорит Кокс.

Как правило, более качественной подготовки данных, тем более точным будет ваш нейросеть станет. Во многих случаях вам потребуется миллионы примеров для надлежащей подготовки.

В самом деле, понятие нейронных сетей почти так же стара, как и сама АИ. Это в основном из-за повышенного наличия большого количества аннотированных данных, и ресурсы компьютера, которые могут быстро обрабатывать эти данные, что техника стала практически в последние годы.

Explainability другая проблема глубокого изучения. Трудно расследовать и проверять решение на нейронных сетях, ведь они являются чрезвычайно сложными и имеют собственный путь развития поведения. Это затрудняет их применение в областях, где ошибки могут быть критическими или фатальными последствиями или, когда закон требует от усыновителей систем ИИ, давать объяснения автоматизированных решений.

Объединяя символическое ИИ и нейронных сетей

Трудная задача для ИИ-это задача визуальной вопрос-ответ (vqa успешно), в котором вы показываете, Ай изображение и задать ему вопросы о связи между различными элементами. Это трудно, потому что vqa успешно включает в себя элементы распознавания образов, естественно-языковой обработки и логическое мышление—задачи, которые лучше всего преодолеваются путем символического искусственного интеллекта и нейронных сетей, работающих в тандеме.

MIT и исследователи IBM использовали Нейро-символическая концепция учащегося (NSCL), чтобы решить проблемы vqa успешно. В NSCL использует нейронные сети для обработки изображений в задаче vqa успешно, а затем преобразовать его в табличную представление содержащихся в нем объектов. Далее, он использует другой нейронной сети для анализа вопрос и превратить его в символическую программу ИИ, который может работать на столе информации, полученной на предыдущем шаге.

“Одна из интересных вещей, сочетающих символический ИИ с нейронными сетями—создание гибридных нейро-символических систем—вы можете позволить каждая система делать то, что это хорошо. Нейронные сети могут заботиться о поведении и взаимосвязи в реальном мире, и превратить их в символы, что система может работать гораздо более эффективно”, – сказал Кокс.

Преимущества гибридного подхода

Ученые проверили NSCL на CLEVR, набор данных изображений оказываемых объекты, используемые в задачах vqa успешно. Предыдущие попытки решить проблемы CLEVR с помощью нейронной сети–только дали подходов впечатляющие результаты, но они требуют очень много обучающих примеров, и разработанных моделей выполнены плохо на крайние случаи (параметров, для которых в сети не был обучен).

NSCL оказались способны достигать 99,8-процентной точностью на CLEVR с фракцией данные, потому что вместо грубой продираясь сквозь миллионы примеров, это развивает концептуальное представление предметной области, которая делает его гораздо легче решать сценариев не видел. Это важно, потому что во многих областях не хватает качества размеченных данных для обучения нейронных сетей для решения проблем.

Кроме того, в некоторой степени, NSCL решает проблему explainability нейронных сетей. В традиционных моделях нейронных сетей, искусственного интеллекта обеспечивается с проблемой и он выдает результат, но нет никакого представления о том, каким это решение проблемы, так что исправлять ошибки труднее. В отличие от гибридной системы производится на основе правил программе, которая предоставляет пошаговые описания его функций.

“Здесь, вы можете видеть программы, и вы получаете, чтобы пройти его и посмотреть, что он сделал. Если он получил неправильный ответ, вы можете понять, почему он получил неправильный ответ и где он сбился с пути. Если это правильный ответ, вы можете проверить, если он сделал это по правильным причинам. Можно понять и проверить, что вышло”, – говорит Кокс.

Дорожная карта, чтобы создать настоящий искусственный интеллект

Отрасли ИИ постоянно развивается, и пока не достигнут консенсус о том, какой подход является лучшим. Споры регулярно вспыхивают.

В недавнем сообщении в блоге, глубокое изучение богатого эксперт Саттон излагаются поводы для наклеивания на глубокое изучение и методы отбрасывания, которые пытаются вручную трансформировать знания человека в компьютерный код.

“[В] единственное, что имеет значение, в долгосрочной перспективе, является использование вычислений”, – говорит Саттон. “Подход человека-знания, как правило, усложняет методы таким образом, чтобы сделать их менее подходящими для пользуясь общими методами использования вычислений.” (Аргумент Саттон был, в свою очередь, оспаривается другими учеными, в том числе путем пионера робототехники родни Брукса.)

Но как работать в IBM и ученые Массачусетского технологического института показывает, что путь вперед не может быть, чтобы стравить два подхода друг против друга, а объединить их, чтобы сделать нечто большее, чем сумма его частей.

Понравилась статья? Поделиться с друзьями:
Гуру ПК
Добавить комментарий

;-) :| :x :twisted: :smile: :shock: :sad: :roll: :razz: :oops: :o :mrgreen: :lol: :idea: :grin: :evil: :cry: :cool: :arrow: :???: :?: :!: