Люди учатся тренировать машины

Вот как это выглядело, когда людям было чему поучиться. Для машин вход работает по другим каналам. Frei Gemein Gemein freigegeben freigegeben freigegeben freigegeben freigegeben freigegeben uns uns uns uns uns uns uns uns римский римский римский римский римский римский римский римский Это отрывок из книги Тимо Даума «Искусственный интеллект капитала», которая будет выпущена Nautilus в марте.

Значительный прогресс был достигнут, в частности, в области распознавания изображений, автономного вождения или речевых помощников, которые могут понимать и генерировать естественную речь. Машинное обучение продолжает улучшаться и в конечном итоге становится экономическим фактором - Amazon зарабатывает 35 на своих доходах от покупок, совершаемых нажатием на предлагаемые продукты. За предложениями Amazon стоит «механизм рекомендаций по машинному обучению», поэтому перевод механизма рекомендаций по машинному обучению сгенерирован другим AI, а именно Google Translate.

В этом году 1959, американский пионер искусственного интеллекта Артур Самуэль представил компьютерную игру «Дама», внедрив первые процедуры самообучения. Игры всегда играли главную роль в истории компьютера - как тестовые сценарии, но также и как рекламные меры. Настольные игры, такие как королева или шахматы, а также игра в го, определяются простыми правилами, которые могут быть реализованы в несколько строк кода. Леди игра одна из самых простых. Белые и черные камни размещаются поочередно на доске 8 × 8, камни могут перемещаться только вперед в диагональном направлении, противостоящий камень может быть поражен при пропуске по диагонали, в то время как удар по вражеским камням допускается несколько ходов подряд - такие правила могут быть без проблем перевести на программный код; компьютерная программа, которая может играть dame-совместимую, написана быстро.

Но как мне научить программу выбирать формально правильные ходы, чтобы они имели лучшие шансы на победу в игре? Исторически сложившийся подход можно обобщить под термином «грубая сила»: все возможные ходы и все возможные последствия изучаются и оцениваются в соответствии с заранее определенными критериями, такими как количество собственных камней и их близость к противоположному концу доски. Поезд с самым высоким рейтингом - лучший. Однако этот метод быстро достигает своих пределов, даже на изученной глубине в несколько ходов число возможностей неизмеримо возрастает. Таким образом, необходимы стратегии, которые только исследуют и оценивают наиболее перспективные шаги.

Вот где в игру вступает концепция обучения: результаты прошлых игр влияют на оценку позиций. Если игра была выиграна, все предыдущие позиции этой игры можно оценить более позитивно и наоборот. Программа становится лучше, так как в будущем она будет с большей вероятностью искать позиции, которые были в прошлом на выигрышном пути. С помощью этого метода Артуру Самуэлю удалось тренировать свою программу так, что после всего лишь восьми часов тренировок он играл лучше, чем он сам.

Сам Самуэль ввел термин машинное обучение для подразделения искусственного интеллекта, которое основано на методах обучения. С общим понятием общего искусственного интеллекта, эта область имеет мало общего, обычно речь идет о наполнении программного обеспечения большим количеством данных, чтобы лучше справляться с ограниченными задачами с течением времени. Или, как сказал Артур Самуэль, «вооружить их способностью учиться без явного программирования». Это означает, что код содержит только правила, а качество игры обеспечивается данными, которые входят в оценки некоторых созвездий, которых раньше не было. В результате программа со временем может стать лучше без каких-либо изменений в базовом программировании.

Три типа машин

Тимо Даум работает преподавателем в университетах в области онлайн, медиа и цифровой экономики. Он имеет ученую степень по физике и более двух десятилетий опыта работы в ИТ-индустрии. Он организует лекции и семинары на тему цифрового капитализма. Его книга «Столица мы». Критика цифровой экономики (2017) была удостоена премии Политическая книга 2018 Фонда Фридриха Эберта. Тимо Даум живет в Берлине. Все права защищены Фабиан Гримм

Есть машины, которые предназначены только для конкретной задачи: фен может сушить феном, ничего больше. Несмотря на то, что я могу отклонить его от его предназначения, например, сняв противообледенительный замок, он, тем не менее, имеет очень ограниченную область применения - это, так сказать, одномерный одноцелевой станок. Это то, что я называю машинами Typ1.

Кроме того, существуют машины, которые могут решить не просто проблему или несколько, а целые классы проблем, потому что они являются программируемыми: они оснащены новой программой и способны решать новые проблемы. Эти машины мы называем компьютерами, теоретическая основа или диапазон действия которых уже был описан Аланом Тьюрингом. Возможности применения в принципе бесконечны, потому что есть бесконечные возможности для программирования программного обеспечения - поэтому мы имеем дело с многоцелевыми машинами. Я называю их машинами Typ2. Машины Typ2 - это отличная вещь, ежедневно задачи, с которыми они могут справиться, становятся больше. Тем не менее, они имеют свойство всегда выполнять один и тот же код в точности одинаково, поэтому их также называют детерминированными автоматами. Даже после сотого исполнения программного кода диапазон его функций не расширился, в принципе они дают одинаковые результаты - скажем так, случайные числа. Они не поправлялись со временем, но не хуже. Аргумент Ады Лавлейс о том, что они не смогут перерасти то, что запрограммировано, абсолютно правдив.

Машины Typ3 также моделируются на компьютерах, но отличаются от машин Typ2 тем, что благодаря машинному обучению они могут со временем развиваться в одной и той же задаче и, как мы надеемся, предоставлять улучшенные результаты в сочетании с Данные, которыми они питаются. В этом отношении машины Typ3 больше не являются детерминированными машинами, аргумент Леди Ады больше не действителен: один и тот же вход не обязательно соответствует одному и тому же выводу или результату при одинаковых начальных условиях. В отличие от машин Type 1 и Type2, машины Typ3 способны решать задачи, для которых они не были запрограммированы. Для этого программное обеспечение должно учиться, а обучение означает получение моделей из большого количества данных.

Предположим, мы снабжаем программное обеспечение транзакционными данными человека. Она ходит на работу каждый рабочий день, в магазины, в походы, в гости к друзьям. По прошествии некоторого времени или накопления большого количества данных программное обеспечение сможет делать прогнозы на будущее поведение. И с высокой вероятностью предсказать, что целевой человек пойдет в туалет в понедельник в девять часов. Она разработала модель своего предмета и может предсказать практически каждый шаг, не зная, что такое человек, и не понимая, что означают работа или сон. Можно ожидать, что такое простое приложение для искусственного интеллекта через некоторое время настолько хорошо познакомится с вашей моделью, что сможет сказать: «Разве вам не нужно заниматься спортом сегодня?» Но даже антиутопическое заявление выглядит в этом простом примере: «Я только что сказал вашей страховке, что вы не вернулись в спорт».

Учим секрет

Марвин Мински, один из пионеров искусственного интеллекта и участник основательной тусовки в Дартмутском колледже, назвал слова, которые могут иметь различные значения, «чемоданными словами»: один и тот же контейнер (слово) может содержать целую мешанину Содержат значения. «Обучение» - такой пароль, как и «интеллект»: учиться ездить на велосипеде, учить язык, учить программированию, запоминать стихи, учиться играть в шахматы, учиться танцевать танго - всегда говорят об обучении, и есть процессы каждый мыслимый отличается.

Когда мы в детстве изучаем наш родной язык, родной язык, мы говорим, подражаем, собираем, изменяем, пробуем, короче говоря: мы учимся интуитивно. Вскоре мы осваиваем наш родной язык, не зная явно их правил, без z. Например, мы можем сказать, что такое причастная конструкция. Совсем другое дело, как правило, преднамеренное изучение всех других языков, иностранных языков: мы сознательно применяем словарь и правила и обрабатываем ввод и вывод, так же, как это делает машина обработки детерминированных символов, то есть программное обеспечение, которое выполняет программу на формальном логическом языке. , Эта форма обучения требует гораздо больше усилий, и наше знание иностранного языка никогда не достигает знания родного языка. Различие между родным языком и иностранным языком восходит к теории овладения вторым языком лингвиста Стивена Крашена, которую он разработал в годы 1970er. В принципе, Крашен различает осознанный грамматический процесс обучения и усвоение детьми родного языка. Это принципиально разные процессы обучения, которые, кстати, также происходят в разных областях мозга.

То, как машины учатся, не что иное, как губчатое поглощение информации, их рекомбинация и абстракция, которую мы знаем от себя. Когда мы слышим, что компьютер может победить чемпиона мира по шахматам (1997) или лучшего в мире игрока в го (2016), мы склонны думать, что компьютеры играли в игру «как человек». Конечно, эти программы не знают, что такое игра. Они играют лучше, но потом снова начинают очень глупо, как только вы немного измените правила. В принципе, это не проблема для человека, но ИИ должен начинать все сначала с тренировочного процесса.

Наш мозг: единственный известный общий искусственный интеллект

Мозг является самым сложным органом и в то же время самой мощной мыслительной машиной, единственной известной успешной реализацией общего искусственного интеллекта, которую также можно назвать машиной Typ4. Так что имеет смысл попробовать реплику. Нейрофизиолог и кибернетик Уоррен МакКаллох и математик Уолтер Питтс уже описали 1943 как первые концепции для искусственных нейронных сетей (ANN), а 1954 была первой реализацией вычислительных машин.

Наш мозг, естественная нейронная сеть, обладает миллиардами нервных клеток (нейронов) 100, чья работа состоит в том, чтобы получать, обрабатывать и передавать нейроэлектрические и нейрохимические сигналы. Каждый нейрон в свою очередь связан через синапсы с другими клетками мозга 7.000. Напротив, искусственные мозги из лабораторий довольно скромны. Они уже работают с некоторыми ячейками 10-100, которые, в свою очередь, подключаются к другим ячейкам, в свою очередь, 10-100, и, безусловно, дают результаты. Имейте в виду, это компьютерные нейронные сети, а не попытки воссоздать мозг с помощью биомассы. У AlphaGo, программного обеспечения, разработанного дочерью Alphabet DeepMind, впервые поразившей 2016 в сложной игре Go, были входные нейроны 17.328, тогда как даже у среднего муравья четверть миллиона нервных клеток. Есть еще много возможностей для улучшения.

Нейронная сеть обычно состоит из трех частей: так называемый входной слой, который включает в себя все нейроны, которые направляют входные сигналы, один или несколько слоев скрытых нейронов, которые в основном демонстрируют нелинейное поведение проводимости, и, наконец, выходной слой, который объединяет все сигналы предыдущих слоев и тратить. (PAYWALL, сохранить?) Соединения между узлами взвешиваются, d. час они более или менее выражены, эти веса соединений также изменчивы. Нейроны всех страт связаны со своими предшественниками и преемниками и, кроме того, с другими стратами. Это позволяет реализовать обучение или память: предыдущие события могут повлиять на поведение в будущем - эффект обратной связи.

При контролируемом обучении шаблоны ввода и вывода передаются в нейронную сеть: требуемый результат для данного входа, таким образом, известен и может служить для проверки доставленного результата. За отклонениями с желаемым результатом следуют поправки на веса соединений. Пример: если мы хотим разработать программу, которая распознает груши на картинках, мы показываем много картинок с грушами и, возможно, даже картинки без груш, но с яблоками, например. Программа анализирует изображения и пытается найти сходства всех изображений груши, например, конкретной формы груши или стебля со стороны головы. В какой-то момент, с определенной степенью терпимости, программа сможет распознавать изображения груши, которые она никогда не видела раньше. Он разработал модель того, что груша. Для новых неизвестных изображений теперь проверяется, соответствуют ли они модели. Программа до сих пор не знает, что такое груша, но разработала из нее модель: груша - это просто набор значений для определенных параметров в программе. Теперь он также может классифицировать неизвестные объекты: груша или не груша.

Глубокое обучение

Глубокое обучение - это термин, используемый для обозначения части машинного обучения, которая работает с искусственными нейронными сетями и имеет самые последние успехи. Глубокое обучение и искусственные нейронные сети в основном используются взаимозаменяемо. В последние годы стало ясно, что глубокое обучение очень эффективно при обучении компьютерным задачам, таким как распознавание речи, интерпретация изображений, автоматический перевод, и обучающим играм, таким как Го, которые требуют чего-то вроде интуитивного знания.

Концепция глубокого обучения - этот термин в основном синонимичен с использованием нейронных сетей и ссылается на его «скрытые» слои - сравнительно старая: Джеффри Хинтон и его коллеги изобрели принцип «обратного распространения» более трех десятилетий назад , Чтобы иметь возможность существенно оптимизировать свои скрытые слои в этом наиболее важном методе обучения искусственных нейронных сетей, необходимо знать желаемый результат для всех моделей обучения - мы говорим о контролируемом обучении. Необходимым условием для этого являются помеченные (помеченные) данные.

Для распознавания изображений это означает, что каждое отдельное изображение, которое использует алгоритм глубокого обучения, должно быть помечено вручную, поэтому необходимо описать содержание изображения, например. Б. «Кошка с клубком пряжи на диване и в телевизоре», каждая со связанной границей (ограничивающая рамка). Маркировка входных данных, которая, возможно, похожа на маркировку текстов, является очень сложным процессом, который в настоящее время все еще должен быть организован и выполнен людьми вручную. В начале контролируемых процессов машинного обучения огромные усилия по маркировке.

Одной подкатегорией контролируемого обучения является усиленное обучение. Здесь машина может сначала опробовать ее и потом получить обратную связь: это было хорошо, это было не так хорошо. Этот метод используется, например, в машинном обучении компьютерных игр или в роботизированном футболе, или когда нейронная сеть должна научиться определять язык слов. Цели и результаты известны, но никаких указаний не дано. В этом случае метод проб и ошибок используется в определенной степени и оценивается после.

Эксперт по искусственному интеллекту Этем Алпайдин говорит, что нынешние «глубокие сети» недостаточно глубоки и далеки от возможностей нашей зрительной коры захватывать некоторые сложные сценарии. (PAYWALL, сохранить ???) Для того, чтобы иметь возможность абстрагироваться в ограниченном контексте, например распознавать рукописные знаки или объекты на изображениях, этого достаточно. Даже сам Джеффри Хинтон сегодня не особо задумывается о своем принципе и считает, что все текущие достижения ИИ, соответственно, устарели, как он недавно показал новостному порталу Axios, напротив. Теперь он считает, что эта форма контролируемого или управляемого обучения устарела, а новые формы неконтролируемого обучения гораздо интереснее. (!!! Испанская ссылка)

Последнее (неконтролируемое обучение) является относительно новым. Здесь нет помеченных данных, фотографии z. Например, без подписи. Тем не менее, нейронные сети способны распознавать скрытые структуры, бросающиеся в глаза структуры или повторяющиеся формы в структурах данных, даже открывая новые возможности. Здесь вы можете легко наблюдать, что происходит, например, когда программное обеспечение должно обнаруживать структуры на изображениях, о которых мы не знаем или которые мы не раскрываем им заранее. Очевидно, что неконтролируемые методы также интересны с экономической точки зрения, но устраняют необходимость в маркировке.

Тогда есть захватывающее поле подражательного обучения. Здесь определенное поведение или действия приведены, например. Как захват объектов или вождение автомобиля, так и программное обеспечение пытается имитировать увиденное. Алгоритмы, например, оставлены на усмотрение водителей-испытателей, которые должны имитировать программное обеспечение. Поэтому тестовые километры, пройденные в симуляторе, становятся основным критерием успеха этой технологии.

Гарри Каспаров в своей книге сообщает, что стоит прочитать о своей (проигранной) битве с компьютером на шахматной доске о ранних попытках в годы 1980 добиться успеха в машинном обучении в королевской игре. Исследователи наполнили свою программу сотнями тысяч шахматных гроссмейстеров в надежде, что программное обеспечение разработает модели и распознает закономерности в победных играх.

Сначала казалось, что сработало, оценка позиций была более точной, чем с обычными программами. Однако когда программа играла сама, она вела себя странно. После довольно сносной вводной игры программа пожертвовала своей дамой, своей самой ценной фигурой, чтобы вскоре после этого спуститься с развевающимися флагами. Что случилось? Когда гроссмейстер жертвует своей королевой, это почти всегда блестящий и решительный ход, который ведет к победе. Программа четко распознала эту закономерность. Он не мог знать, что инверсия не применима: жертва одной леди не является гарантией победы.

понедельник картина

В известном подростковом романе Марка Твена «Том Сойер» и «Гекльберри Финн» 1876 тетя Полли посылает Тома, чтобы побелить забор в саду однажды утром. Чуть позже приходит Бен Роджерс, еще один мальчик в возрасте Тома. Том убеждает Бена, что рисовать забор - это игривое удовольствие, и после некоторых переговоров он соглашается обменять свое яблоко на разрешение поднять кисть - ранний пример успешного геймификации.

Компании Google всегда приходится убирать заборы, совсем недавно она попросила своих «друзей» - всех нас - принять участие в великой вещи, а именно в обучении одной из ее обучающих машин распознаванию нарисованных объектов. Итак, половина мира принялась писать на сайте quickdraw.withgoogle.com. Решающее значение для качества - то есть скорость и надежность в распознавании объектов - так много разных примеров обучения. Программное обеспечение уже достаточно хорошее, оно иногда распознает, что имеется в виду после двух тактов, например, хоккейная клюшка, снеговик или снеговик. Google учится гораздо больше, чем просто рисование в игре про рисование. Например, этот эксперимент выявляет культурные различия: используя кружок - я рисую его по часовой стрелке или против него - или снеговика - я рисую его двумя или тремя кружками - программа с большой вероятностью может определить, если я приехал из Азии, левша или правша, молодой или старый, женский или мужской. Необходимым условием для этого является исключительно оценка запросов браузера, которые z. Б. предать место, где находится человек. Так же, как друзья Тома Сойера, многие люди хотят и хотят подписаться на Google, даже если за это не платят, наоборот, благодаря нашей творческой силе, мы также предоставляем множество полезных культурных данных. Игровая площадка Google для рисования впечатляюще демонстрирует взаимосвязь между алгоритмами ИИ и их обучением с помощью пользовательских данных: мы кормим машину, с которой мы позже сталкиваемся, в форме приложений. Google говорит спасибо.

Помоги нам! С вашей финансовой помощью вы поддерживаете независимую журналистику.