Ce este învățarea automată?

În decembrie 2017, DeepMind, laboratorul de cercetare achiziționat de Google în 2014, a introdus AlphaZero, un program de inteligență artificială care ar putea învinge campioni mondiali la mai multe jocuri de masă.

Interesant este că AlphaZero a primit zero instrucțiuni de la oameni cu privire la modul de a juca jocurile (de aici și numele). În schimb, a folosit învățare automată, o ramură a AI care își dezvoltă comportamentul prin experiență în loc de comenzi explicite.

În 24 de ore, AlphaZero a obținut performanțe supraumane în șah și a învins programul de șah anterior campion mondial. La scurt timp, algoritmul de învățare automată al AlphaZero a stăpânit și Shogi (șah japonez) și jocul de bord chinez Go, și l-a învins pe predecesorul său, AlphaGo, 100 la zero.

Învățarea automată a devenit populară în ultimii ani și ajută calculatoarele să rezolve problemele considerate anterior a fi domeniul exclusiv al inteligenței umane. Și chiar dacă este încă departe de viziunea inițială a inteligenței artificiale, învățarea mașinii ne-a apropiat mult de obiectivul final al creării de mașini de gândire.

Care este diferența dintre inteligența artificială și învățarea mașinii?

Abordările tradiționale pentru dezvoltarea inteligenței artificiale implică codificarea meticulosă a tuturor regulilor și cunoștințelor care definesc comportamentul unui agent AI. Atunci când creează AI bazat pe reguli, dezvoltatorii trebuie să scrie instrucțiuni care să specifice modul în care AI trebuie să se comporte ca răspuns la fiecare situație posibilă. Această abordare bazată pe reguli, cunoscută și sub denumirea de AI de modă veche (GOFAI) sau AI simbolică, încearcă să imite rațiunile minții umane și funcțiile de reprezentare a cunoștințelor.

Un exemplu perfect de IA simbolică este Stockfish, un motor de șah de top-ranking, open-source, de peste 10 ani. Sute de programatori și jucători de șah au contribuit la Stockfish și au ajutat la dezvoltarea logicii sale prin codificarea regulilor sale, de exemplu, ce ar trebui să facă AI-ul atunci când adversarul își va muta cavalerul de la B1 la C3.

Dar AI-ul bazat pe reguli se rupe adesea atunci când se ocupă de situații în care regulile sunt prea complexe și implicite. Recunoașterea vorbirii și a obiectelor din imagini, de exemplu, sunt operații avansate care nu pot fi exprimate în reguli logice.

Spre deosebire de AI simbolic, modelele AI de învățare automată sunt dezvoltate nu prin scrierea regulilor, ci prin culegerea de exemple. De exemplu, pentru a crea un motor de șah bazat pe învățare automată, un dezvoltator creează un algoritm de bază și apoi îl „antrenează” cu date din mii de jocuri de șah jucate anterior. Analizând datele, AI găsește tipare comune care definesc strategiile de câștig, pe care le poate folosi pentru a învinge adversarii reali.

Cu cât mai multe jocuri revizuiește AI, cu atât devine mai bun la prezicerea mișcărilor câștigătoare în timpul jocului. Acesta este motivul pentru care învățarea automată este definită ca un program a cărui performanță se îmbunătățește odată cu experiența.

Învățarea automată se aplică multor sarcini din lumea reală, inclusiv clasificarea imaginii, recunoașterea vocală, recomandarea conținutului, detectarea fraudei și procesarea limbajului natural.

Învățare supravegheată și nesupravegheată

În funcție de problema pe care doresc să o rezolve, dezvoltatorii pregătesc date relevante pentru a-și construi modelul de învățare automată. De exemplu, dacă ar dori să utilizeze învățarea automată pentru a detecta tranzacțiile bancare frauduloase, dezvoltatorii ar întocmi o listă de tranzacții existente și le-ar eticheta cu rezultatul lor (fraudulos sau valid). Când alimentează datele algoritmului, acesta separă tranzacțiile frauduloase și valabile și găsește caracteristicile comune în fiecare dintre cele două clase. Procesul modelelor de instruire cu date adnotate se numește „învățare supravegheată” și este în prezent forma dominantă a învățării automate.

Multe depozite online de date etichetate pentru diferite sarcini există deja. Câteva exemple populare sunt ImageNet, un set de date open-source de peste 14 milioane de imagini etichetate și MNIST, un set de date de 60.000 de cifre scrise de mână. Dezvoltatorii de învățare a mașinilor folosesc, de asemenea, platforme precum Amazon Turk Mecanic, un hub online de angajare la cerere pentru efectuarea de sarcini cognitive, cum ar fi etichetarea de imagini și probe audio. Și un sector în creștere de start-up-uri se specializează în adnotarea datelor.

Dar nu toate problemele necesită date etichetate. Unele probleme de învățare automată pot fi rezolvate prin „învățare nesupravegheată”, unde oferiți modelului AI date brute și lăsați să-și dea seama care sunt modelele relevante.

O utilizare obișnuită a învățării nesupravegheate este detectarea anomaliilor. De exemplu, un algoritm de învățare a mașinii poate antrena datele brute de trafic de rețea ale unui dispozitiv conectat la internet - să zicem, un frigider inteligent. După antrenament, AI stabilește o bază de referință pentru dispozitiv și poate semnala un comportament mai vechi. Dacă dispozitivul se infectează cu malware și începe să comunice cu servere rău intenționate, modelul de învățare automată îl va putea detecta, deoarece traficul de rețea este diferit de comportamentul normal observat în timpul antrenamentului.

Consolidarea învățării

Până acum, probabil știți că datele de instruire de calitate joacă un rol imens în eficiența modelelor de învățare automată. Însă învățarea prin consolidare este un tip specializat de învățare automată în care o IA își dezvoltă comportamentul fără a utiliza date anterioare.

Modelele de consolidare-învățare încep cu o ardezie curată. Ei sunt instruiți numai cu privire la regulile de bază ale mediului și sarcina la îndemână. Prin încercare și eroare, ei învață să își optimizeze acțiunile pentru obiectivele lor.

DeepMind AlphaZero este un exemplu interesant de învățare la întărire. Spre deosebire de alte modele de învățare a mașinilor, care trebuie să vadă cum oamenii joacă șah și învață de la ele, AlphaZero a început să cunoască doar mișcările pieselor și condițiile de câștig ale jocului. După aceea, a jucat milioane de meciuri împotriva sa, începând cu acțiuni aleatorii și dezvoltând treptat modele comportamentale.

Învățarea de consolidare este o zonă fierbinte de cercetare. Este principala tehnologie folosită pentru a dezvolta modele AI care pot stăpâni jocuri complexe precum Dota 2 și StarCraft 2 și este, de asemenea, folosită pentru a rezolva probleme din viața reală, cum ar fi gestionarea resurselor din centrul de date și crearea de mâini robotizate care pot gestiona obiecte cu dexteritate asemănătoare omului.

Invatare profunda

Învățarea profundă este un alt grup popular de învățare automată. Utilizează rețele neuronale artificiale, construcții software care sunt aproximativ inspirate de structura biologică a creierului uman.

Rețelele neuronale excelează la procesarea datelor nestructurate, cum ar fi imagini, video, audio și extrase lungi de text, cum ar fi articole și lucrări de cercetare. Înainte de învățarea profundă, experții în învățarea mașinilor au trebuit să depună mult efort în extragerea funcțiilor din imagini și videoclipuri și să-și ruleze algoritmii pe deasupra. Rețelele neuronale detectează automat aceste caracteristici, fără a solicita eforturi din partea inginerilor umani.

Învățarea profundă se află în spatele multor tehnologii moderne AI, cum ar fi mașinile fără șofer, sisteme avansate de traducere și tehnologia de recunoaștere facială din iPhone X.

Limitele învățării mașinilor

Oamenii deseori confundă învățarea mașinii cu inteligența artificială la nivel uman, iar departamentele de marketing ale unor companii folosesc intenționat termenii în mod interschimbabil. Dar, în timp ce învățarea automată a făcut pași mari spre soluționarea problemelor complexe, este încă foarte departe de a crea mașinile de gândire preconizate de pionierii AI.

Pe lângă învățarea din experiență, inteligența adevărată necesită raționament, bun simț și gândire abstractă - domenii în care modelele de învățare a mașinilor funcționează foarte slab.

De exemplu, în timp ce învățarea automată este bună la sarcini complicate de recunoaștere a modelului, cum ar fi prezicerea cancerului de sân cu cinci ani în avans, se luptă cu logici și sarcini de raționament mai simple, cum ar fi rezolvarea problemelor de matematică din liceu.

Lipsa de putere de învățare a mașinii face rău la generalizarea cunoștințelor sale. De exemplu, un agent de învățare automată care poate juca Super Mario 3 ca un profesionist nu va domina un alt joc de platformă, cum ar fi Mega Man, sau chiar o altă versiune de Super Mario. Ar trebui să fie dresat de la zero.

Fără puterea de a extrage cunoștințe conceptuale din experiență, modelele de învățare automată necesită tone de date de instruire pentru a fi performate. Din păcate, multe domenii nu au suficiente date de instruire sau nu au fonduri pentru a achiziționa mai multe. Învățarea profundă, care este acum forma predominantă de învățare automată, suferă și de o problemă de explicabilitate: rețelele neuronale funcționează în moduri complicate, ba chiar și creatorii lor se luptă să își urmeze procesele de luare a deciziilor. Acest lucru face dificilă utilizarea puterii rețelelor neuronale în setări în care există o cerință legală pentru a explica deciziile AI.

Din fericire, se depun eforturi pentru a depăși limitele învățării automate. Un exemplu notabil este o inițiativă pe scară largă a DARPA, grupul de cercetare al Departamentului Apărării, de a crea modele de AI explicabile.

• Ce este inteligența artificială (AI)? Ce este inteligența artificială (AI)?
• Majoritatea Dolarilor AI Accesează Învățarea Mașină Majoritatea Dolarilor AI Accesează Învățarea Mașină
• Cum vrei să vezi AI folosită? Cum vrei să vezi AI folosită?

Alte proiecte își propun să reducă dependența excesivă a învățării automate pe date adnotate și să facă tehnologia accesibilă domeniilor cu date de instruire limitate. Cercetătorii de la IBM și MIT au făcut recent incursiuni în domeniu prin combinarea AI simbolică cu rețelele neuronale. Modelele de hibrid AI necesită mai puține date pentru instruire și pot oferi explicații pas cu pas ale deciziilor lor.

Rămâne de văzut dacă evoluția învățării mecanice ne va ajuta în cele din urmă să atingem obiectivul evaziv de a crea AI la nivel uman. Dar ceea ce știm sigur este că, datorită progreselor în învățarea mașinilor, dispozitivele care stau pe birourile noastre și se sprijină în buzunare sunt din ce în ce mai inteligente.