4 Motive pentru care nu te temi de învățarea profundă (încă) | ben dickson

În 2012, un grup de oameni de știință de la Universitatea din Toronto a făcut o descoperire de clasificare a imaginilor.

La ImageNet, o competiție anuală de inteligență artificială (AI), în care concurenții creează cel mai precis algoritm de clasificare a imaginii, echipa de la Toronto a debutat pe AlexNet, „care a bătut câmpul cu o marjă de 10, 8 puncte procentuale… 41% mai bună decât următorul cel mai bun ", potrivit Cuarțului.

Învățarea profundă, metoda folosită de echipă, a fost o îmbunătățire radicală față de abordările anterioare ale AI și a introdus într-o nouă eră a inovației. De atunci și-a găsit drumul în educație, asistență medicală, securitate cibernetică, jocuri de masă și traducere și a strâns miliarde de dolari în investiții în Silicon Valley.

Mulți au lăudat învățarea profundă și supersetul său, învățarea automată, ca tehnologie cu scop general din epoca noastră și mai profundă decât electricitatea și focul. Totuși, alții avertizează că învățarea profundă va reuși, în cele din urmă, să devină cei mai buni oameni la fiecare sarcină și vor deveni ucigașul final al muncii. Și explozia de aplicații și servicii alimentate de învățarea profundă a domnit temerile unei apocalipse AI, în care computerele super-inteligente cuceresc planeta și îi conduc pe oameni în sclavie sau dispariție.

În ciuda exageratului, învățarea profundă are unele defecte care îl pot împiedica să-și îndeplinească unele dintre promisiunile sale - atât pozitive, cât și negative.

Învățarea profundă se bazează prea mult pe date

Învățarea profundă și rețelele neuronale profunde, care cuprind structura sa de bază, sunt adesea comparate cu creierul uman. Dar mintea noastră poate învăța concepte și să ia decizii cu date foarte puține; învățarea profundă necesită tone de probe pentru a îndeplini cea mai simplă sarcină.

La baza sa, învățarea profundă este o tehnică complexă care mapează intrările la ieșiri prin găsirea unor tipare comune în datele etichetate și folosirea cunoștințelor pentru a clasifica alte eșantioane de date. De exemplu, dați unei aplicații de învățare profundă imagini suficiente cu pisici și va putea detecta dacă o fotografie conține o pisică. De asemenea, atunci când un algoritm de învățare profundă ingerează suficiente mostre sonore de cuvinte și fraze diferite, acesta poate recunoaște și transcrie vorbirea.

Dar această abordare este eficientă doar atunci când aveți o mulțime de date de calitate pentru a vă alimenta algoritmii. În caz contrar, algoritmii de învățare profundă pot face greșeli sălbatice (precum greșirea unei puști pentru un elicopter). Când datele lor nu sunt incluzive și diverse, algoritmii de învățare profundă au afișat chiar un comportament rasist și sexist.

Încrederea în date provoacă, de asemenea, o problemă de centralizare. Deoarece au acces la cantități vaste de date, companii precum Google și Amazon sunt într-o poziție mai bună pentru a dezvolta aplicații de învățare profundă extrem de eficiente decât start-urile cu mai puține resurse. Centralizarea AI în câteva companii ar putea împiedica inovația și le-ar putea oferi companiilor prea multă influență asupra utilizatorilor lor.

Învățarea profundă nu este flexibilă

Oamenii pot învăța concepte abstracte și le pot aplica într-o varietate de situații. Facem asta tot timpul. De exemplu, atunci când joci pentru prima dată un joc pe calculator, precum Mario Bros., poți folosi imediat cunoștințe din lumea reală - cum ar fi nevoia să sari peste gropi sau să te furișezi. Puteți aplica ulterior cunoștințele dvs. despre joc pe alte versiuni ale lui Mario, cum ar fi Odiseea Super Mario sau alte jocuri cu mecanici similare, cum ar fi Donkey Kong Country și Crash Bandicoot.

Totuși, aplicațiile AI trebuie să învețe totul de la zero. O privire la modul în care un algoritm de învățare profundă învață să-l joace pe Mario arată cât de diferit este procesul de învățare al AI-ului de cel al oamenilor. În esență, începe să nu știe nimic despre mediul său și învață treptat să interacționeze cu diferitele elemente. Dar cunoștințele pe care le obține din jocul Mario servesc doar domeniul restrâns al acelui singur joc și nu sunt transferabile altor jocuri, chiar și altor jocuri Mario.

Această lipsă de înțelegere conceptuală și abstractă menține aplicațiile de învățare profundă concentrate pe sarcini limitate și împiedică dezvoltarea inteligenței artificiale generale, genul de AI care poate lua decizii intelectuale precum oamenii. Aceasta nu este neapărat o slăbiciune; unii experți susțin că crearea AI generală este un obiectiv inutil. Dar cu siguranță este o limitare în comparație cu creierul uman.

Învățarea profundă este opacă

Spre deosebire de software-ul tradițional, pentru care programatorii definesc regulile, aplicațiile de învățare profundă își creează propriile reguli prin procesarea și analizarea datelor de testare. În consecință, nimeni nu știe cu adevărat cum ajung concluziile și deciziile. Chiar și dezvoltatorii algoritmilor de învățare profundă se găsesc adesea perplexați de rezultatele creațiilor lor.

Această lipsă de transparență ar putea fi un obstacol major pentru învățământul intensiv și pentru învățarea profundă, deoarece tehnologia încearcă să își găsească locul în domenii sensibile, cum ar fi tratamentul pacienților, aplicarea legii și autovehiculele cu autovehicule. Algoritmii de învățare profundă ar putea fi mai puțin predispuși la greșeli decât oamenii, dar atunci când fac greșeli, motivele din spatele acestor greșeli ar trebui să fie explicabile. Dacă nu putem înțelege cum funcționează aplicațiile noastre AI, nu vom putea avea încredere în ele cu sarcini critice.

Învățarea profundă s-ar putea suprapira

Învățarea profundă și-a dovedit deja valoarea în multe domenii și va continua să transforme modul în care facem lucrurile. În ciuda defectelor și limitărilor sale, învățarea profundă nu ne-a dat greș. Dar trebuie să ne ajustăm așteptările.

După cum avertizează savantul AI, Gary Marcus, exagerarea tehnologiei ar putea duce la o altă „iarnă AI” - o perioadă în care așteptările și performanțele excesiv de mari duc la dezamăgire generală și lipsă de interes.

Marcus sugerează că învățarea profundă nu este „un solvent universal, ci un instrument printre mulți”, ceea ce înseamnă că, în timp ce continuăm să explorăm posibilitățile pe care le oferă învățarea profundă, ar trebui să analizăm și alte abordări fundamental diferite pentru crearea de aplicații AI.

Chiar și profesorul Geoffrey Hinton, care a fost pionier în lucrarea care a dus la revoluția profundă de învățare, consideră că probabil vor trebui inventate metode complet noi. "Viitorul depinde de un student absolvent, care este profund suspect de tot ce am spus", a spus el pentru Axios.