Машинне навчання? Нейронні мережі? Ось ваш путівник по різноманіттю смаків штучного інтелекту.

Нейронні мережі? Машинне навчання? Ось ваш секретний декодер для модних слів ШІ

Люк Дормель 15 вересня 2018 року

Штучний інтелект зараз скрізь, і він відповідає за все – від віртуальних помічників на наших смартфонах до безпілотних автомобілів, які незабаром заповнять наші дороги, і до передових систем розпізнавання зображень, про які розповідав ваш покірний слуга.

Якщо ви не жили під скелею протягом останнього десятиліття, є велика ймовірність, що ви чули про нього раніше – і, можливо, навіть використовували його. Зараз штучний інтелект для Кремнієвої долини – це те ж саме, що One Direction для 13-річних дівчаток: всюдисуще джерело одержимості, в яке можна кинути всі свої гроші, мріючи про одруження, коли Гаррі Стайлз нарешті буде готовий оселитися. (Гаразд, ми все ще працюємо над аналогією!).

Але що ж таке штучний інтелект? – і чи можна використовувати такі терміни, як “машинне навчання”, “штучні нейронні мережі”, “штучний інтелект” і “Зейн Малік” (ми все ще працюємо над цією аналогією…) як взаємозамінні?

Щоб допомогти вам розібратися з деякими модними словами і жаргонізмами, які ви почуєте, коли люди говорять про штучний інтелект, ми склали цей простий посібник, який допоможе вам розібратися з усіма різними аспектами штучного інтелекту – хоча б для того, щоб ви не зробили жодної помилки, коли машини нарешті візьмуть владу в свої руки.

Штучний інтелект

Ми не будемо заглиблюватися в історію розвитку штучного інтелекту, але важливо зазначити, що штучний інтелект – це дерево, на якому всі наступні терміни є гілками. Наприклад, навчання з підкріпленням – це різновид машинного навчання, яке є підгалуззю штучного інтелекту. Однак штучний інтелект – це не (обов’язково) навчання з підкріпленням. Зрозуміло?

Поки що ніхто не побудував загального інтелекту.

Не існує офіційного консенсусу щодо того, що означає ШІ (дехто вважає, що це просто круті речі, які комп’ютери ще не вміють робити), але більшість погодиться, що мова йде про те, щоб змусити комп’ютери виконувати дії, які вважалися б інтелектуальними, якби їх виконувала людина.

Вперше цей термін був введений в 1956 році на літньому семінарі в Дартмутському коледжі в Нью-Гемпширі. Основна відмінність між сучасним вузькоспеціалізованим штучним інтелектом і штучним загальним інтелектом полягає в тому, що вони поділяються на вузькоспеціалізований ШІ і штучний загальний інтелект. Поки що ніхто не створив загального інтелекту. Як тільки вони це зроблять, всі ставки будуть зроблені…

Символічний ШІ.

Про символічний ШІ сьогодні не так вже й багато чути. Символічний ШІ, який також називають старим добрим ШІ, побудований на логічних кроках, які можна давати комп’ютеру зверху вниз. Це передбачає надання комп’ютеру (або роботу) безлічі правил щодо того, як він має діяти за певним сценарієм.

Це призвело до багатьох ранніх проривів, але виявилось, що вони дуже добре працювали в лабораторіях, де можна було ідеально контролювати кожну змінну, але часто не так добре в безладі повсякденного життя. Як пожартував один письменник про символічний ШІ, ранні системи ШІ були трохи схожі на бога Старого Заповіту – з великою кількістю правил, але без милосердя.

Сьогодні такі дослідники, як Селмер Брінгсйорд, борються за те, щоб повернути увагу до символічного ШІ на основі логіки, побудованого на перевазі логічних систем, які можуть бути зрозумілі їхнім творцям.

Машинне навчання

Якщо ви чуєте про великий прорив у сфері штучного інтелекту в наші дні, швидше за все, якщо тільки не здійнято багато шуму, що свідчить про інше, ви чуєте про машинне навчання. Як випливає з назви, машинне навчання полягає у створенні машин, які, ну, навчаються.

Як і у випадку зі штучним інтелектом, машинне навчання також має кілька підкатегорій, але їх об’єднує здатність збирати дані і застосовувати до них алгоритми з метою отримання знань на основі статистики.

Існує безліч різних галузей машинного навчання, але та, про яку ви, ймовірно, почуєте найбільше, – це…

Нейронні мережі

Якщо ви провели якийсь час у нашому розділі “Круті технології”, ви, мабуть, чули про штучні нейронні мережі. Як системи, натхненні мозком, призначені для відтворення способу навчання людини, нейронні мережі модифікують свій власний код, щоб знайти зв’язок між входом і виходом – або причиною і наслідком – в ситуаціях, коли цей зв’язок є складним або неясним.

Штучні нейронні мережі виграли від появи глибокого навчання.

Концепція штучних нейронних мереж насправді бере свій початок ще в 1940-х роках, але лише в останні кілька десятиліть вона почала по-справжньому реалізовувати свій потенціал: завдяки появі таких алгоритмів, як “зворотне поширення”, що дозволяє нейронній мережі коригувати свої приховані шари нейронів в ситуаціях, коли результат не відповідає тому, на що сподівається творець. (Наприклад, мережа, призначена для розпізнавання собак, неправильно ідентифікує кішку).

У цьому десятилітті штучні нейронні мережі виграли від появи глибокого навчання, в якому різні шари мережі витягують різні ознаки, поки вона не зможе розпізнати те, що шукає.

У розділі нейронних мереж існують різні моделі потенційних мереж – з мережами прямого поширення і згортковими мережами, про які вам варто згадати, якщо ви застрягнете поруч з інженером Google на званій вечері.

Навчання з підкріпленням

Навчання з підкріпленням – це ще один різновид машинного навчання. Воно значною мірою натхненне біхевіористською психологією і базується на ідеї, що програмний агент може навчитися діяти в навколишньому середовищі, щоб максимізувати винагороду.

Наприклад, ще в 2015 році DeepMind від Google опублікував статтю, в якій показав, як він навчив штучний інтелект грати в класичні відеоігри, не маючи жодних інструкцій, окрім екранного рахунку і приблизно 30 000 пікселів, що складають кожен кадр. Навчання з підкріпленням, що має на меті максимізувати результат, означало, що програмний агент поступово вчився грати в гру методом спроб і помилок.

MarI/O – машинне навчання для відеоігор

На відміну від експертної системи, навчання з підкріпленням не потребує людини-експерта, щоб сказати йому, як максимізувати результат. Замість цього, воно з’ясовує це з часом. У деяких випадках правила, які вона вивчає, можуть бути фіксованими.

Процес починається з того, що програміст вводить цілі, яких він намагається досягти за допомогою свого алгоритму. Наприклад, NASA використовує еволюційні алгоритми для проектування компонентів супутників. У цьому випадку функція може полягати в тому, щоб знайти рішення, здатне поміститися в коробці розміром 10 см х 10 см, здатне випромінювати сферичну або напівсферичну діаграму спрямованості і здатне працювати в певному діапазоні Wi-Fi.

Потім алгоритм пропонує кілька поколінь ітеративних конструкцій, перевіряючи кожну з них на відповідність поставленим цілям. Коли один з них врешті-решт ставить всі правильні галочки, він зупиняється. Крім того, що еволюційні алгоритми допомагають NASA проектувати супутники, вони є улюбленими серед творчих людей, які використовують штучний інтелект для своєї роботи: наприклад, дизайнерів цих чудових меблів.

Рекомендації редакції

Оскільки 2020 рік недостатньо божевільний, рот робота співає молитви ШІ в Парижі

АІ-перекладач проливає світло на таємну мову мишей

• Розумні боді з ШІ можуть виявити, коли у немовлят з’являються проблеми з рухливістю
• Більше ніяких панелей? ШІ допомагає створювати сонячні батареї, що розпилюються, на які можна наносити малюнки
• АІ, що читає думки, аналізує хвилі вашого мозку, щоб здогадатися, яке відео ви дивитеся
• машинне навчання
• Селмер Брінгсйорд

Source: digitaltrends.com