Kas ir mašīnmācība?

2017. gada decembrī DeepMind, Google 2014. gadā iegādātā pētījumu laboratorija, iepazīstināja ar mākslīgā intelekta programmu AlphaZero, kas vairākās galda spēlēs varēja pieveikt pasaules čempionus.

Interesanti, ka AlphaZero no cilvēkiem saņēma nulles instrukcijas, kā spēlēt spēles (tātad arī nosaukums). Tā vietā tā izmantoja mašīnmācīšanos, AI filiāli, kas savu uzvedību attīsta, izmantojot pieredzi, nevis skaidras komandas.

24 stundu laikā AlphaZero sasniedza pārcilvēcīgu sniegumu šahā un pieveica iepriekšējo pasaules čempionu šaha programmu. Neilgi pēc tam AlphaZero mašīnmācīšanās algoritms apguva arī Shogi (Japānas šahs) un ķīniešu galda spēli Go, un tas pieveica savu priekšgājēju AlphaGo 100 līdz nullei.

Mašīnmācība pēdējos gados ir kļuvusi populāra un palīdz datoriem risināt problēmas, kuras iepriekš uzskatīja par ekskluzīvu cilvēka intelekta sfēru. Un, kaut arī tas joprojām ir tālu no mākslīgā intelekta sākotnējā redzējuma, mašīnmācīšanās mūs ir daudz tuvinājusi domāšanas mašīnu radīšanas galvenajam mērķim.

Kāda ir atšķirība starp mākslīgo intelektu un mašīnmācību?

Tradicionālā pieeja mākslīgā intelekta attīstīšanai ietver visu noteikumu un zināšanu, kas nosaka AI aģenta uzvedību, rūpīgu kodēšanu. Izveidojot uz noteikumiem balstītu AI, izstrādātājiem jāraksta instrukcijas, kurās norādīts, kā AI vajadzētu rīkoties, reaģējot uz katru iespējamo situāciju. Šī uz noteikumiem balstītā pieeja, ko sauc arī par vecmodīgu AI (GOFAI) vai simbolisku AI, mēģina atdarināt cilvēka prāta spriešanas un zināšanu attēlošanas funkcijas.

Lielisks simboliskas AI piemērs ir Stockfish, augstākā līmeņa atvērtā koda šaha dzinējs, kas ražo vairāk nekā 10 gadus. Simtiem programmētāju un šaha spēlētāju ir devuši savu ieguldījumu Stockfish un palīdzējuši attīstīt tā loģiku, kodējot tā noteikumus, piemēram, kas AI būtu jādara, kad pretinieks pārvieto savu bruņinieku no B1 uz C3.

Bet uz noteikumiem balstīta AI bieži sabojājas, strādājot situācijās, kad noteikumi ir pārāk sarežģīti un netieši. Piemēram, runas un objektu atpazīšana attēlos ir uzlabotas darbības, kuras nevar izteikt loģiskos noteikumos.

Pretstatā simboliskajai AI mašīnmācīšanās AI modeļi tiek izstrādāti nevis rakstot noteikumus, bet apkopojot piemērus. Piemēram, lai izveidotu uz mašīnmācību balstītu šaha motoru, izstrādātājs izveido bāzes algoritmu un pēc tam to “apmāca” ar datiem no tūkstošiem iepriekš spēlētu šaha spēļu. Analizējot datus, AI atrod kopīgus modeļus, kas nosaka uzvarēšanas stratēģijas, kuras tā var izmantot, lai pieveiktu reālus pretiniekus.

Jo vairāk spēļu pārskata AI, jo labāk tā prognozē uzvarošos gājienus spēles laikā. Tāpēc mašīnmācība tiek definēta kā programma, kuras veiktspēja uzlabojas līdz ar pieredzi.

Mašīnmācība ir piemērojama daudziem reālās pasaules uzdevumiem, ieskaitot attēlu klasifikāciju, balss atpazīšanu, satura ieteikšanu, krāpšanas atklāšanu un dabiskās valodas apstrādi.

Vadīta un nepārraudzīta mācīšanās

Atkarībā no problēmas, kuru viņi vēlas atrisināt, izstrādātāji sagatavo attiecīgus datus, lai izveidotu savu mašīnmācīšanās modeli. Piemēram, ja viņi gribētu izmantot mašīnmācību, lai atklātu krāpnieciskus bankas darījumus, izstrādātāji sastādīs esošo darījumu sarakstu un apzīmēs tos ar iznākumu (krāpniecisku vai derīgu). Kad viņi datus ievada algoritmā, tas atdala krāpnieciskos un derīgos darījumus un atrod kopīgās pazīmes katrā no divām klasēm. Apmācības modeļu process ar anotētiem datiem tiek saukts par “uzraudzītu mācīšanos” un pašlaik ir mašīnmācības dominējošā forma.

Daudzas tiešsaistes krātuves ar marķētiem datiem dažādiem uzdevumiem jau pastāv. Daži populāri piemēri ir ImageNet, atvērtā koda datu kopa ar vairāk nekā 14 miljoniem marķētu attēlu, un MNIST, datu kopa ar 60 000 marķētu ar roku rakstītu ciparu. Mašīnmācīšanās izstrādātāji izmanto arī tādas platformas kā Amazon's Turk Turk, tiešsaistes pieprasījuma nomas centru pēc pieprasījuma, lai veiktu izziņas uzdevumus, piemēram, attēlu un audio paraugu marķēšanu. Pieaugošā jaunuzņēmumu nozare specializējas datu anotācijā.

Bet ne visām problēmām nepieciešami marķēti dati. Dažas mašīnmācīšanās problēmas var atrisināt, izmantojot "neuzraudzītu mācīšanos", kur jūs AI modelim sniedzat neapstrādātus datus un ļaujat pašam izdomāt, kuri modeļi ir piemēroti.

Kopīgs neuzraudzītu mācību pielietojums ir anomāliju noteikšana. Piemēram, mašīnmācīšanās algoritms var apmācīt neapstrādātus ar internetu savienotas ierīces tīkla trafika datus, piemēram, viedo ledusskapi. Pēc apmācības AI izveido ierīces pamatlīmeni un var norādīt uz ārēju rīcību. Ja ierīce inficējas ar ļaunprātīgu programmatūru un sāk sazināties ar ļaunprātīgiem serveriem, mašīnmācīšanās modelis to varēs atklāt, jo tīkla trafiks atšķiras no parastās uzvedības, kas novērota apmācības laikā.

Pastiprināšanas mācīšanās

Tagad jūs droši vien zināt, ka kvalitatīviem apmācības datiem ir milzīga loma mašīnmācīšanās modeļu efektivitātē. Bet pastiprināšanas mācīšanās ir specializēts mašīnmācīšanās veids, kurā AI attīsta savu izturēšanos, neizmantojot iepriekšējos datus.

Pastiprināšanas mācīšanās modeļi sākas ar tīru šīfera. Viņiem tiek doti norādījumi tikai par savas vides pamatnoteikumiem un konkrēto uzdevumu. Izmantojot izmēģinājumus un kļūdas, viņi iemācās optimizēt savas darbības savu mērķu sasniegšanai.

DeepMind AlphaZero ir interesants pastiprināšanas mācīšanās piemērs. Atšķirībā no citiem mašīnmācīšanās modeļiem, kuriem jāredz, kā cilvēki spēlē šahu, un no tiem jāmācās, AlphaZero sāka tikai zinot gabalu kustības un spēles uzvaras nosacījumus. Pēc tam tā spēlēja miljoniem maču pret sevi, sākot ar nejaušām darbībām un pakāpeniski veidojot uzvedības modeļus.

Pastiprināšanas mācīšanās ir karstā pētniecības joma. Tā ir galvenā tehnoloģija, ko izmanto, lai attīstītu AI modeļus, kas var apgūt sarežģītas spēles, piemēram, Dota 2 un StarCraft 2, un to izmanto arī reālās dzīves problēmu risināšanai, piemēram, datu centra resursu pārvaldībai un robotu roku izveidošanai, kas var rīkoties ar cilvēkiem līdzīgu veiklības objektiem..

Dziļa mācīšanās

Dziļās mācības ir vēl viena populāra mašīnmācīšanās apakškopa. Tas izmanto mākslīgos neironu tīklus, programmatūras konstrukcijas, kuras aptuveni iedvesmo cilvēka smadzeņu bioloģiskā struktūra.

Neironu tīkli izcili apstrādā nestrukturētus datus, piemēram, attēlus, video, audio un garos teksta fragmentus, piemēram, rakstus un pētījumu materiālus. Pirms dziļas mācīšanās mašīnmācīšanās ekspertiem bija jāpieliek daudz pūļu, lai iegūtu attēlus un videoklipus, kā arī darbinātu viņu algoritmus. Neironu tīkli automātiski nosaka šīs funkcijas, neprasot no cilvēku inženieru daudz pūļu.

Dziļās mācības ir aiz daudzām mūsdienu AI tehnoloģijām, piemēram, automašīnām bez vadītāja, uzlabotas tulkošanas sistēmas un sejas atpazīšanas tehnoloģija jūsu iPhone X.

Mašīnmācības robežas

Cilvēki bieži jauc mašīnu apguvi ar cilvēka līmeņa mākslīgo intelektu, un dažu uzņēmumu mārketinga nodaļas apzināti lieto apzīmējumus. Bet, lai gan mašīnmācība ir spērusi lielus soļus sarežģītu problēmu risināšanā, tas joprojām ir ļoti tālu no domāšanas mašīnu radīšanas, kuras iecerējuši AI pionieri.

Papildus mācībām no pieredzes patiesam intelektam ir nepieciešama argumentācija, veselais saprāts un abstrakta domāšana - jomas, kurās mašīnmācīšanās modeļi darbojas ļoti vāji.

Piemēram, kaut arī mašīnmācība ir laba sarežģītos modeļa atpazīšanas uzdevumos, piemēram, paredzot krūts vēzi piecus gadus iepriekš, tā cīnās ar vienkāršākiem loģikas un argumentācijas uzdevumiem, piemēram, vidusskolas matemātikas problēmu risināšanu.

Mašīnmācīšanās nepietiekama spriešanas spēja padara sliktu vispārināt savas zināšanas. Piemēram, mašīnmācīšanās līdzeklis, kas var spēlēt Super Mario 3 tāpat kā profesionāls, nedominēs citā platformas spēlē, piemēram, Mega Man, vai pat citā Super Mario versijā. Tas būtu jāapmāca no nulles.

Bez spēka iegūt pieredzi no konceptuālām zināšanām, mašīnmācīšanās modeļiem ir nepieciešami daudz apmācības datu. Diemžēl daudzās jomās trūkst pietiekamu apmācības datu vai arī tām nav līdzekļu, lai iegūtu vairāk. Dziļās mācības, kas mūsdienās ir izplatītā mašīnmācīšanās forma, arī cieš no izskaidrojamības problēmas: neironu tīkli darbojas sarežģīti, un pat to veidotāji cīnās par savu lēmumu pieņemšanas procesu ievērošanu. Tas apgrūtina neironu tīklu enerģijas izmantošanu iestatījumos, kur ir likumīga prasība izskaidrot AI lēmumus.

Par laimi tiek mēģināts pārvarēt mašīnmācīšanās robežas. Viens ievērojams piemērs ir Aizsardzības departamenta pētniecības daļas DARPA plaši izplatītā iniciatīva radīt izskaidrojamus AI modeļus.

• Kas ir mākslīgais intelekts (AI)? Kas ir mākslīgais intelekts (AI)?
• Lielākā daļa AI dolāru iet uz mašīnmācību. Lielākā daļa AI dolāru iet uz mašīnu mācīšanos
• Kā jūs vēlaties redzēt izmantoto AI? Kā jūs vēlaties redzēt izmantoto AI?

Citu projektu mērķis ir samazināt mašīnmācības pārāk lielo atkarību no anotētajiem datiem un padarīt tehnoloģiju pieejamu jomām, kurās ir ierobežoti apmācības dati. IBM un MIT pētnieki nesen uzbruka šai jomai, apvienojot simbolisko AI ar neironu tīkliem. Hibrīdi AI modeļi prasa mazāk datu apmācībai un var sniegt soli pa solim skaidrojumus par lēmumiem.

Joprojām nav skaidrs, vai mašīnmācības attīstība palīdzēs mums sasniegt arvien grūtāko mērķi - radīt cilvēka līmeņa AI. Bet tas, ko mēs droši zinām, ir tas, ka, pateicoties sasniegumiem mašīnmācībā, ierīces, kas sēž uz mūsu galdiem un atrodas mūsu kabatās, katru dienu kļūst gudrākas.