4 Alasan tidak takut belajar mendalam (yet) | ben dickson

Pada tahun 2012, sekumpulan saintis dari University of Toronto membuat kejayaan pengklasifikasian imej.

Di ImageNet, pertandingan kecerdasan buatan tahunan (AI) di mana para peserta bertanding untuk mencipta algoritma klasifikasi imej yang paling tepat, pasukan Toronto memulakan kerjaya AlexNet, "yang mengalahkan medan dengan margin 10.8 mata peratusan… 41 peratus lebih baik daripada yang terbaik seterusnya, "menurut Quartz.

Pembelajaran yang mendalam, kaedah yang digunakan oleh pasukan, adalah peningkatan radikal terhadap pendekatan sebelumnya terhadap AI dan mengantar era inovasi baru. Sejak itu, ia telah menemui pendidikan, penjagaan kesihatan, keselamatan siber, permainan papan, dan penterjemahan, dan telah mengumpulkan berbilion ringgit dalam pelaburan Silicon Valley.

Ramai yang memuji pembelajaran dalam dan superset, pembelajaran mesin, sebagai teknologi tujuan umum era kita dan lebih mendalam daripada elektrik dan api. Lain-lain, walaupun, memberi amaran bahawa pembelajaran yang mendalam akhirnya akan menjadi manusia terbaik pada setiap tugas dan menjadi pembunuh kerja muktamad. Dan letupan aplikasi dan perkhidmatan yang dikuasai oleh pembelajaran mendalam telah menakutkan kebimbangan mengenai wahyu AI, di mana komputer pintar super menakluki planet ini dan mendorong manusia ke dalam perhambaan atau kepupusan.

Tetapi walaupun gembar-gembur, pembelajaran mendalam mempunyai beberapa kelemahan yang mungkin menghalangnya daripada merealisasikan beberapa janji-nya-positif dan negatif.

Pembelajaran Deep Terlalu Banyak Maklumat

Pembelajaran mendalam dan rangkaian saraf yang mendalam, yang terdiri daripada struktur asasnya, sering dibandingkan dengan otak manusia. Tetapi minda kita boleh mempelajari konsep dan membuat keputusan dengan data yang sangat sedikit; pembelajaran mendalam memerlukan tan contoh untuk melaksanakan tugas paling mudah.

Pada terasnya, pembelajaran mendalam merupakan satu teknik rumit yang memetakan input kepada output dengan mencari corak umum dalam data berlabel dan menggunakan pengetahuan untuk mengkategorikan sampel data lain. Sebagai contoh, beri gambar aplikasi kucing yang cukup mendalam, dan ia akan dapat mengesan sama ada foto mengandungi kucing. Begitu juga, apabila algoritma pengajaran mendalam menghasilkan sampel bunyi yang cukup dari kata-kata dan frasa yang berbeza, ia dapat mengenali dan menyalin ucapan.

Tetapi pendekatan ini berkesan hanya apabila anda mempunyai banyak data yang berkualiti untuk memberi makan kepada algoritma anda. Jika tidak, algoritma pembelajaran mendalam boleh membuat kesalahan liar (seperti mengali senapang untuk helikopter). Apabila data mereka tidak inklusif dan pelbagai, algoritma pembelajaran mendalam bahkan telah menunjukkan perilaku perkauman dan seksis.

Ketergantungan pada data juga menyebabkan masalah pemusat. Kerana mereka mempunyai akses kepada sejumlah besar data, syarikat-syarikat seperti Google dan Amazon berada dalam kedudukan yang lebih baik untuk membangunkan aplikasi pembelajaran yang sangat efisien daripada startup dengan sumber yang lebih sedikit. Pemusatan AI dalam beberapa syarikat dapat menghalang inovasi dan memberi mereka terlalu banyak pengaruh terhadap pengguna mereka.

Pembelajaran Deep Tidak Fleksibel

Manusia boleh mempelajari konsep abstrak dan menggunakannya dalam pelbagai situasi. Kami melakukan ini sepanjang masa. Sebagai contoh, apabila anda bermain permainan komputer seperti Mario Bros untuk kali pertama, anda boleh menggunakan pengetahuan dunia dengan serta-merta seperti keperluan untuk melompat melalui lubang atau mengelakkan bola yang berapi-api. Anda kemudiannya boleh menggunakan pengetahuan anda mengenai permainan ini kepada versi lain dari Mario, seperti Super Mario Odyssey, atau permainan lain dengan mekanik serupa, seperti Donkey Kong Country dan Crash Bandicoot.

Permohonan AI, bagaimanapun, mesti mempelajari segala-galanya dari awal. Lihatlah bagaimana algoritma pembelajaran yang mendalam untuk bermain Mario menunjukkan betapa berbezanya proses pembelajaran AI dari manusia. Pada mulanya ia tidak mengetahui apa-apa tentang persekitarannya dan secara beransur-ansur belajar untuk berinteraksi dengan unsur-unsur yang berbeza. Tetapi pengetahuan yang diperoleh dari bermain Mario hanya melayani domain sempit permainan tunggal itu dan tidak dapat dipindah milik kepada permainan lain, bahkan permainan Mario lainnya.

Kurangnya pemahaman konseptual dan abstrak ini membolehkan aplikasi mendalam berfokus pada tugas-tugas yang terhad dan menghalang perkembangan kecerdasan buatan umum, jenis AI yang boleh membuat keputusan intelektual seperti manusia lakukan. Itu tidak semestinya suatu kelemahan; sesetengah pakar berpendapat bahawa penciptaan umum AI adalah matlamat sia-sia. Tetapi sudah tentu ia adalah batasan jika dibandingkan dengan otak manusia.

Pembelajaran Deep Terkenal

Tidak seperti perisian tradisional, yang mana programmer menentukan peraturan, aplikasi pembelajaran mendalam membuat peraturan mereka sendiri dengan memproses dan menganalisis data ujian. Akibatnya, tiada siapa yang benar-benar tahu bagaimana mereka mencapai kesimpulan dan keputusan. Malah pemaju algoritma dalam pembelajaran sering mendapati diri mereka bingung dengan hasil ciptaan mereka.

Kurangnya ketelusan ini boleh menjadi halangan utama untuk AI dan pembelajaran yang mendalam, kerana teknologi itu cuba mencari tempatnya dalam bidang sensitif seperti rawatan pesakit, penguatkuasaan undang-undang, dan kereta memandu sendiri. Algoritma pembelajaran yang mendalam mungkin kurang mudah untuk membuat kesilapan daripada manusia, tetapi apabila mereka membuat kesilapan, alasan di sebalik kesilapan tersebut perlu dijelaskan. Jika kita tidak dapat memahami bagaimana aplikasi AI kita berfungsi, kita tidak akan dapat mempercayai mereka dengan tugas-tugas kritikal.

Pembelajaran Deep Dapat Mendapat Overhyped

Pembelajaran yang mendalam telah membuktikan kebolehannya dalam banyak bidang dan akan terus mengubah cara kita melakukan sesuatu. Walaupun kelemahan dan keterbatasannya, pembelajaran mendalam tidak gagal. Tetapi kita perlu menyesuaikan jangkaan kita.

Sebagai seorang ulama AI, Gary Marcus memberi amaran, penggunaan teknologi yang terlalu tinggi menyebabkan "musim sejuk AI" yang lain - ketika jangkaan dan keterlaluan yang terlalu tinggi menyebabkan kekecewaan umum dan kekurangan minat.

Marcus mencadangkan bahawa pengajaran mendalam bukanlah "pelarut sejagat tetapi satu alat di kalangan ramai, " yang bermaksud bahawa sementara kita terus meneroka kemungkinan kemungkinan pembelajaran yang mendalam, kita juga perlu melihat pendekatan lain yang mendasar untuk mewujudkan aplikasi AI.

Malah, Profesor Geoffrey Hinton, yang mempelopori kerja yang membawa kepada revolusi pembelajaran yang mendalam, percaya bahawa kaedah yang sama sekali baru mungkin akan dicipta. "Masa depan bergantung kepada beberapa pelajar siswazah yang sangat mencurigai semua yang saya katakan, " katanya kepada Axios.