AI, ML і глыбокае навучанне: у чым розніца?

Чаму машыны павінны вучыцца? Таму што людзі не могуць адставаць.

Цяперашні бум AI / ML з'яўляецца вынікам дасягнення канкрэтнага падыходу да навучання, глыбокага навучання. Штучны інтэлект, машыннае навучанне і глыбокае навучанне - усе гэта прычыняецца да самых вялікіх дасягненняў за апошні год, і людзі ўзаемазвязалі гэтыя тэхналогіі. У апошні час тэхналагічныя канферэнцыі кіпяцца з людзьмі, якія хочуць ведаць больш пра штучны інтэлект, машыннае навучанне і глыбокае навучанне, як быццам бы тое самае. За кожнай з гэтых тэхналогій ёсць вялікая колькасць гісторыі, але больш просты спосаб адсачыць гэтую розніцу - гэта нашая матывацыя.

Сотні людзей збіраюцца, каб даведацца пра машыннае навучанне на AI Frontiers на семінары Tensorflow ў 2017 годзе.

Розніца ў матывацыях

Машыны вучацца таму, што ў людзей лепш рабіць. Я напалову жартую, але гэта добры пачатак. Зразумела, ёсць больш тэхнічных адносін да таго, як AI, ML і Deep Learning ставяцца.

Розніца ў азначэннях

Штучны інтэлект - гэта інжынерны інтэлект, натхнёны тым, што мы адчуваем як людзі. Навучанне - гэта не толькі аспект гэтага, але і сродак, які мы самі выкарыстоўваем для дасягнення большага інтэлекту. Штучны інтэлект - гэта інструмент, а машыннае навучанне - гэта спосаб пабудаваць інструмент. Глыбокае навучанне - гэта тып машыннага навучання, які выкарыстоўваецца для дасягнення штучнага інтэлекту. Для візуальнага выгляду, вось падручнік, схема ўзаемаадносін паміж AI, ML і Deep Learning.

http://www.deeplearningbook.org/

Калі хтосьці пытаецца, што значыць працаваць у ІІ, я адказваю: "Я працую над паляпшэннем кампутараў, якія робяць тое, што робяць людзі". Калі хтосьці просіць адзін са спосабаў дасягнуць AI, я мог бы адказаць: альбо "Глыбокае навучанне", каб быць больш канкрэтным.

Розніца ў гісторыі

Гэты стандарт наяўнасці машын, якія працуюць лепш, чым людзі, быў цудоўна ўведзены Аланам Цьюрынгам у сваёй кнізе "Аб вылічальнай машыне і інтэлекту" 1950 года, вядомай у народзе пад назвай Тэст Тьюрынга (на аснове гульні "Імітацыя"). Тьюрынг мяркуе, што машыны могуць прайсці тэст з дыскрэтнымі наборамі правілаў і машынамі з абмежаваным станам, менавіта так працуе большасць кампутарных праграм сёння. У самым канцы сваёй працы ён уяўляе ідэю "навучання машынам", парадку складанасці, якія выходзяць за машыны мыслення. Тюрынг спачатку спытаў: "Ці могуць машыны думаць?" У канцы артыкула ён пытаецца: "Ці можа машына стаць крытычнай?" Першае - пра тое, ці зможам мы дасягнуць ІІ? Апошняе пытанне пра тое, ці зможам мы дасягнуць ML.

ML быў уведзены Аланам Цьюрынгам у 1950 г. У 1952 г. была пабудавана першая праграма камп'ютэрнага навучання для вывучэння стратэгій у гульні ў шашкі. Першая нейронавая сетка была распрацавана ў 1957 годзе. Глыбокае навучанне - гэта далейшае развіццё штучных нейронных сетак, але яго імя не атрымалася да 2006 года. З 2010 года адбыўся вялікі прагрэс у машынным інтэлекце. Цяперашні бум ML / AI у асноўным абумоўлены прагрэсам у галіне глыбокага навучання.

Па словах Forbes, тут выбіраюць ключавыя поспехі ў AI, ML і Deep Learning

Каб зразумець розніцу паміж AI, ML і Deep Learning, яшчэ адзін добры пачатак - разуменне таго, чаму мы стварылі машыны, каб вучыцца ў першую чаргу. Паколькі кампутары становяцца такімі ж добрымі (або лепш) людзей пры выкананні пэўных задач, мы дасягнулі асноўных этапаў AI. У многіх выпадках машыннае навучанне з'яўляецца пераважным спосабам дасягнення гэтых этапаў.

Чаму машыны вучацца

Адзін з самых вялікіх крытыкаў прапановы Алана Тьюрынга пра тэставанне ІІІ - гэта аргумент Асацыятыўнага грунтавання (і яго дадатковая праблема "Кадра"). З-за складанасці, якую мы набываем у нас, мы сцвярджаем, што гэты працэс машынамі недасягальны. Гэты працэс называецца навучаннем, і кампутары ў ім не былі настолькі вялікія (да гэтага часу).

Ідэя наступная: Людзі на працягу свайго жыцця выпрацоўваюць пэўныя асацыяцыі рознай сілы паміж паняццямі. Практычна адзіны спосаб, якім машына можа вызначыць, нават у сярэднім, усе асацыятыўныя сілы паміж чалавечымі паняццямі - гэта перажываць свет як кандыдат у чалавека, так і рэспандэнты. (Французская, 1990 г.)

Паколькі гэты чалавечы досвед складаны і складаны, з якой педагогікі мы пераводзім свой досвед на машыны? Тьюрынг выказаў здагадку, што машыны, магчыма, павінны самі засвоіць разуменне, якое мы прымаем як належнае.

Важнай асаблівасцю вучэбнай машыны з'яўляецца тое, што яе настаўнік часта ў большай ступені не ведае пра тое, што адбываецца ўнутры, хоць ён усё яшчэ можа ў пэўнай ступені прадказаць паводзіны свайго вучня. Гэта павінна найбольш моцна ставіцца да больш позняй адукацыі машыны, якая ўзнікла ў дзіцячай машыне добра апрабаванай канструкцыі (альбо праграмы). Гэта відавочна ў адрозненне ад звычайнай працэдуры, калі машына выкарыстоўвае для вылічэння аб'ект, каб потым мець дакладнае разумовае ўяўленне пра стан машыны ў кожны момант вылічэння. (Цюрынг, 1950)

Машыны вучацца, таму што для пэўных заняткаў пераважней праграмаваць кампутары для вывучэння інтэлекту, чым праграмаваць кампутары, каб яны былі непасрэднымі. Гэта можа быць больш пераважным, таму што (1) для стварэння вывучанага інтэлекту патрабуецца менш чалавечых намаганняў (чым для непасрэднага стварэння інтэлекту); альбо (2) гэта можна аддаць перавагу, таму што машына працуе лепш, калі самастойна вучыць.

На практыцы машыннае навучанне карысна, калі праблемы маюць патрэбу ў дакладных прагнозах. Вазьміце гульню Дваццаць пытанняў. Першапачаткова ён гуляў паміж людзьмі. Каб замяніць адзін з іх машынай, нам спатрэбіцца машына, каб выявіць нейкае падабенства чалавечага інтэлекту. Для дваццаці пытанняў машыннае навучанне - не адзіны спосаб дасягнення штучнага інтэлекту, але, магчыма, лепшы спосаб, як паказана ніжэй.

(1) Прыклад ML, які патрабуе менш чалавечых намаганняў:

У дзвюх вэб-версіях "Дваццаць пытанняў", "20Q" і "Akinator" чалавек замяняецца праграмай. Дык як яны замянілі чалавека? Замест таго, каб хтосьці стварыў базу інфармацыі з усімі грамадскімі дзеячамі (усіх часоў і народаў), вы маглі б трэніраваць праграму, каб даведацца пра ўласцівасці вядомых людзей, адказваючы на ​​пытанні ў гульні. Гэта эканоміць намаганні, каб зрабіць гэта такім чынам.

(2) Прыклад ML, які дазваляе машынам працаваць лепш

Незалежна ад таго, колькі намаганняў эканоміць, машыннае навучанне можа проста працаваць лепш, чым іншыя тыпы алгарытмаў. На нядаўнім мерапрыемстве Google I / O Sundar Pichai паказаў, што кампутары пераўзышлі людзей па распазнаванні малюнкаў. Гэты рубеж быў прыпісаны дасягненням у галіне машыннага навучання, у прыватнасці, паглыбленага навучання.

З Google IO Keynote 2017

Прыклады таго, як ML адрозніваецца ад ІІ

Як паказана на малюнку вышэй, камп'ютэры зараз лепш (шмат у чым), чым людзі пры прагназаванні, выяўленні і праверцы таго, што на малюнку. Ніжэй размешчаны цікавы калаж сабак, якія падобныя на кексы, абаранкі і швабры. Адкуль мы ведаем розніцу? Як кампутар ведае розніцу? Каб гэта AI, не мае значэння, наколькі кампутар можа распазнаць розніцу, а толькі тое, што можа. Для таго, каб быць ML, кампутар павінен быў навучыцца і навучыў сябе розніцы.

Перадавым стандартам інтэлекту заўсёды быў наш уласны інтэлект і паводзіны. Калі мы хацелі б суаднесці свае здольнасці з вучонымі заняткамі ў ІІ і вынікаючымі з іх тэхналогіямі, мы выявім, што навучанне не толькі сярод тых навыкаў, якія людзі добра працуюць, але і спосабаў дасягнення авалодвання навыкамі.

Навучанне - гэта навык, які дапамагае атрымаць іншыя навыкі

Каб кампутар змог распазнаць розніцу паміж выявамі сабак і маффінаў, даказана, што ML рабіла лепш, чым іншыя метады. Аднак не ўсе праблемы з разборам малюнкаў маюць патрэбу ў ML. Выяўленне ліній на малюнку, напрыклад, можна зрабіць, афіцыйна вызначыўшы правільную арганізацыю пікселяў без ML. Сапраўды гэтак жа аўтаномныя транспартныя сродкі не патрабуюць машыннага навучання для выяўлення аб'ектаў, якія знаходзяцца побач. Ён можа проста выкарыстоўваць лідар. Tic Tac Toe AI таксама не мае патрэбы ў МЛ, і не будзе гульня ў шахматы.

Tic Tac Toe як праблема пошуку.

У прыватнасці, калі праблемы могуць быць адлюстраваны ў кіраванай прасторы пошуку (напрыклад, вышэйзгаданае дрэва гульняў Tic Tac Toe), эўрыстыка пошуку можа дапамагчы вярнуць аптымальны адказ. Каб прывесці больш прыкладу падручніка, вазьміце пракладку шляху. A *, прагны пошук па глыбіні першага альбо лепшага першага, - гэта добра вядомы алгарытм пошуку кароткіх шляхоў ад адной кропкі да другой. Магчымасць A * прадказваць аптымальныя шляхі (паказана ніжэй) не патрабуе машыннага навучання.

https://en.wikipedia.org/wiki/A*_search_algorithm

Хоць сцвярджаецца, што гэтыя праблемы пазбаўляюць сябе разумных заняткаў (паколькі яны могуць быць вырашаны алгарытмічна), гэта таксама крыху недасканала дыскрэдытуе ўсю гісторыю ІІІ. У любым выпадку, будучыня ІІ з'яўляецца нейкай неадназначнай ініцыятывай чалавечага кірунку, фармальных мадэляў, эўрыстыкі пошуку і машыннага навучання.

Што такое глыбокае навучанне?

Глыбокае навучанне адказвае на пытанні, як машына можа чамусьці навучыцца. Машыннае навучанне - гэта тое, як мы навучылі кампутары бачыць лепш, чым мы (пэўнымі спосабамі), але ёсць дадатковая складанасць таго, як Машына змагла навучыць сябе бачыць. Як і людзі, існуе мноства падыходаў (і іх яшчэ трэба будзе адкрыць) у тым, як камп'ютэры могуць вучыцца. Цяперашні бум AI / ML з'яўляецца вынікам дасягнення канкрэтнага падыходу да навучання, глыбокага навучання.

Адзін з найбольш вызначальных якасцей глыбокага навучання з іншых формаў ІІ - гэта тое, наколькі добра мы (не разумеем) вылічэнні, якія ляжаць у рашэннях і прагнозах. Напрыклад, фармальная логіка зварачальная. Калі A-> B-> C, вы можаце мадэляваць гэтую логіку ўручную. Глыбокае навучанне выкарыстоўвае схаваныя пласты штучных нейронаў і не мае такіх дыскрэтных, дэтэрмінаваных або прасочваемых этапаў. Выява ніжэй паказвае спрошчаную ілюстрацыю глыбокага навучання.

На малюнку вышэй намалявана жывёла ў перашкодзе. Калі б мы хацелі прадказаць, ці будзе гэта котка ці сабака, нашы мазгі маглі б (магчыма) разабраць даўжыню воўны і форму галавы да сабакі. Для кампутара пікселі з выявы - гэта ўваходны пласт для высновы, паміж уваходным і выхадным пластамі схаваныя пласты вылічэння, якія спрабуюць вызначыць, якія канкрэтныя групоўкі пікселяў могуць прадстаўляць.

Пікселі фатаграфіі па сваёй сутнасці неструктураваныя. Хоць якасці, якія мы шукаем, можна фармальна аргументаваць (напрыклад, даўжыня воўны ці форма галавы жывёлы), але гэта даказала больш эфектыўнасць, каб дазволіць камп'ютэру высветліць, што значыць быць сабакам і стварыць сваю ўласную мадэль. Гэтыя мадэлі навучаюцца, дасылаючы шматлікія фатаграфіі сабак і катоў на кампутар, каб загадзя даведацца.

Але што рабіць, калі ў дадзеных больш структуры? Не ўсе праблемы звязаны з неструктураванымі дадзенымі. Дапусцім, мы гуляем у гульню "Адгадай, хто?", Падобна да таго, каб прадказаць, ці ёсць у кошыку сабака ці кот, угадай, хто? дазваляе гульцам скараціць месца для пошуку, пакуль яны не змогуць дакладна прадказаць, што абрана праціўнікам. У гэтым выпадку мы можам прасачыць логіку, таму што ў нас ёсць дыскрэтныя ўласцівасці / якасці, з якімі можна працаваць. Па гэтай прычыне вам не трэба было б паглыблена вучыць машыну, каб выйграць гэтую гульню.

Akinator і 20Q, онлайн-версіі настольнай гульні, адгадай, хто? - выдатныя прыклады AI, створаныя з дапамогай машыннага навучання, але не абавязкова паглыбленага навучання. Акінатар можна фармальна мадэляваць уручную, але быў такі ж добры ў навучанні, гуляючы зноў і зноў.

У шахматы і Tic Tac Toe можна гуляць на кампутары з правіламі і штатамі з цвёрдым кодам. Akinator і 20Q больш эфектыўна навучаюцца гульнявымі гульнямі. Такія гульні, як Go і Starcraft, адрозніваюцца ад таго, што яны маюць значна вялікія прасторы пошуку, стану і стратэгіі. І пакуль нашы машыны не стануць дастаткова магутнымі, каб адлюстраваць усе гэтыя гульні, мы разлічваем на глыбокае навучанне.

Кароткі выклад прыкладаў

Вось кароткі выклад прыкладаў і таго, як яны спасылаліся на дыскусію

Як "ісці ў нагу з Джонісам"

Такім чынам, дзе, калі наогул, машыннае навучанне ўпісваецца ў ваша жыццё? Добрым месцам для пачатку маглі б стаць месцы, дзе адбываецца дэмакратызацыя ІІ. Нядаўна Google анансаваў Google.ai, які падзяляе прастору ML на тры катэгорыі: даследаванні, інструменты і інфраструктура і прыкладанне. У даследаваннях вы працуеце над спосабамі вынаходніцтва ІІІ. У інструментах вы знойдзеце спосабы эфектыўнага запуску ІП. Нарэшце, у Application, вы працуеце над практыкай і спосабамі выкарыстання AI. Такія кампаніі, як Google, імкнуцца зрабіць ML даступным для соцень тысяч распрацоўшчыкаў, дзе AI выкарыстоўваецца звычайнымі людзьмі.

www.google.ai

(Калі вы сапраўды зацікаўлены ў выкананні AI, вось вам даследчы дакумент пра аўтарскія рычагі.)