Τι συμβαίνει με τεχνητή νοημοσύνη; Ανάλυση των 16.625 θέσεων εργασίας κατά τη διάρκεια των τελευταίων 25 ετών

Σχεδόν όλα όσα έχετε ακούσει για την τεχνητή νοημοσύνη σήμερα οφείλεται σε βαθιά μάθηση. Αυτή η κατηγορία των αλγορίθμων που εργάζονται με τα στατιστικά στοιχεία για να βρείτε πρότυπα στα δεδομένα, και έχει αποδειχθεί ότι είναι εξαιρετικά ισχυρό στην απομίμηση των ανθρώπινων δεξιοτήτων, όπως η ικανότητά μας να δουν και να ακούσουν. Σε ένα πολύ στενό βαθμό μπορεί να μιμηθεί ακόμα και τις ικανότητες συλλογισμού μας. Αυτές οι αλγόριθμοι που υποστηρίζονται από τη λειτουργία αναζήτησης της Google, οι ταινίες ειδήσεων του Facebook, το Netflix κινητήρα σύσταση, καθώς και τους τομείς μορφή όπως η υγεία και η εκπαίδευση.

Τι συμβαίνει με τεχνητή νοημοσύνη; Ανάλυση των 16.625 θέσεων εργασίας κατά τη διάρκεια των τελευταίων 25 ετών

Πώς να αναπτύξει βαθιά μάθηση

Παρά το γεγονός ότι η βαθιά μάθηση στην πράξη και μόνο έδειξε στο κοινό τεχνητή νοημοσύνη, αντιπροσωπεύει μόνο ένα μικρό ξέσπασμα στο ιστορικό καθήκον της ανθρωπότητας να αναπαράγει τη νοημοσύνη του. Ήταν στην πρώτη γραμμή της έρευνας για δώδεκα χρόνια. Αν αναβάλει όλη την ιστορία της περιοχής, είναι εύκολο να καταλάβουμε ότι σύντομα μπορεί να πάει μακριά.

«Αν το 2011 κάποιος έγραψε ότι η βαθιά μάθηση είναι στα πρωτοσέλιδα πολλών εφημερίδων και περιοδικών, που θα έχει ως εξής: wow, καλά, χάλια καπνίζετε», λέει ο Πέδρο Domingos, καθηγητής της επιστήμης των υπολογιστών στο Πανεπιστήμιο της Ουάσιγκτον και ο συγγραφέας του βιβλίου «το μεταπτυχιακό Αλγόριθμος».

Σύμφωνα με τον ίδιο, οι αιφνίδιες διακυμάνσεις των διαφόρων μεθόδων για μεγάλο χρονικό διάστημα χαρακτήρισε την έρευνα στον τομέα της γρίπης των πτηνών. Κάθε δεκαετία έχει δει ένα καυτό ανταγωνισμό μεταξύ των διαφορετικών ιδεών. Στη συνέχεια, από καιρό σε καιρό, ο διακόπτης γυρίζει και όλη η κοινότητα αρχίζει να κάνει κάτι μόνος του.

Οι συνάδελφοί μας από το MIT Technology Review θέλετε να απεικονίσει αυτά τα προβλήματα και ξεκινά. Για το σκοπό αυτό, θα μετατραπεί σε μία από τις μεγαλύτερες βάσεις δεδομένων των ανοιχτών επιστημονικών εργασιών, που είναι γνωστή ως arXiv. Θα φορτωθεί αποσπάσματα από το σύνολο των 16 625 άρθρα που διατίθενται στην «τεχνητή νοημοσύνη» στις 18 Νοεμβρίου 2018 και παρακολούθησε την λέξη αναφέρονται όλα αυτά τα χρόνια για να δούμε πώς θα αναπτύξουν αυτόν τον τομέα. Μέσα από την ανάλυσή τους, για να προσδιορίσει τρεις κύριες τάσεις: η μετάβαση προς μια μηχανική μάθηση στα τέλη της δεκαετίας του '90 - αρχές της δεκαετίας του 2000, η ​​αύξηση της δημοτικότητας των νευρωνικών δικτύων, η οποία ξεκίνησε στις αρχές της δεκαετίας του 2010, και η αύξηση της ενισχυτικής μάθησης κατά τα τελευταία λίγα χρόνια.

Αλλά πρώτα, μερικές προειδοποιήσεις. Πρώτον, το τμήμα arXiv με AI πηγαίνει πίσω στο 1993, και ο όρος «τεχνητή νοημοσύνη» αναφέρεται στην δεκαετία του 1950, έτσι ώστε η ίδια η βάση δεδομένων είναι μόνο τα τελευταία κεφάλαια της ιστορίας της περιοχής. Δεύτερον, τα έγγραφα που προστίθενται στη βάση δεδομένων κάθε χρόνο αποτελούν μόνο ένα μέρος της εργασίας που γίνεται σε αυτόν τον τομέα αυτή τη στιγμή. Παρ 'όλα αυτά, arXiv προσφέρει μια μεγάλη πηγή για τον εντοπισμό μερικές από τις σημαντικότερες ερευνητικές τάσεις και να δείτε μια διελκυστίνδα μεταξύ των διαφορετικών ιδεολογικών στρατοπέδων.

Το παράδειγμα της μηχανικής μάθησης

Η μεγαλύτερη αλλαγή που διαπίστωσαν οι ερευνητές, είναι μια απόκλιση από τα συστήματα που βασίζονται στη γνώση, στις αρχές της δεκαετίας του 2000. Τέτοια συστήματα ηλεκτρονικών υπολογιστών που βασίζονται στην ιδέα ότι μπορείτε να κωδικοποιήσει όλη την ανθρώπινη γνώση στο νομικό σύστημα. Αντ 'αυτού, οι ερευνητές μετατραπεί σε μηχανική μάθηση - η μητρική κατηγορία των αλγορίθμων, ακόμη και σε βάθος εκπαίδευση.

Μεταξύ των 100 που αναφέρεται στις λέξεις που σχετίζονται με τα συστήματα με βάση τη γνώση - την «λογική», «περιορισμένη» και «κανόνας» - μειώθηκαν περισσότερο. Ένα σχετικό μηχανικής μάθησης - η «δεδομένα», «δίκτυο», «απόδοση» - έχουν αυξηθεί περισσότερο από άλλους.

Τι συμβαίνει με τεχνητή νοημοσύνη; Ανάλυση των 16.625 θέσεων εργασίας κατά τη διάρκεια των τελευταίων 25 ετών

Εδώ διδάσκουν ρομπότ με AI πάρα πολύ, και θα αρχίσει για σας ακόμα και σε παιχνίδια στον υπολογιστή για να παίξει.

Ο λόγος για αυτή την αλλαγή του καιρού είναι πολύ απλή. Στα 80 χρόνια του συστήματος, με βάση τη γνώση που αποκτήθηκε σε δημοτικότητα μεταξύ των οπαδών, χάρη στον ενθουσιασμό γύρω από φιλόδοξα σχέδια που προσπάθησε να αναδημιουργήσει την αίσθηση στα αυτοκίνητα. Αλλά όταν αναπτύχθηκαν τα έργα αυτά, οι ερευνητές αντιμέτωποι με ένα σημαντικό πρόβλημα: ότι ήταν απαραίτητο να κωδικό πάρα πολλοί κανόνες για το σύστημα να κάνει κάτι χρήσιμο. Αυτό οδήγησε σε αυξημένο κόστος και σημαντικά επιβραδύνθηκε τρέχουσες διαδικασίες. Η απάντηση σε αυτό το πρόβλημα ήταν η μηχανική μάθηση. Αντί να απαιτείται χειροκίνητη κωδικοποίηση των ανθρώπων εκατοντάδες χιλιάδες των κανόνων, αυτή η προσέγγιση προγράμματα η συσκευή για την αυτόματη εξαγωγή κανόνων από το σωρό των δεδομένων. Ομοίως, η περιοχή αυτή αρνήθηκε να συστήματα που βασίζονται στη γνώση, και γύρισε στη βελτίωση της μηχανικής μάθησης.

Οι μπούμα νευρωνικά δίκτυα

Η νέα μηχανή μάθησης αλλαγή παραδείγματος στην βαθύτερη μάθηση δεν έγινε αμέσως. Αντ 'αυτού, η ανάλυση των βασικών όρων, οι επιστήμονες έχουν δοκιμαστεί διάφορες μέθοδοι, εκτός από νευρωνικά δίκτυα, βασικούς μηχανισμούς της βαθιάς μάθησης. Άλλες δημοφιλείς μέθοδοι είναι Bayesian δίκτυα, μηχανήματα φορέα στήριξης, και εξελικτικοί αλγόριθμοι, όλοι χρησιμοποιούν διαφορετικές προσεγγίσεις για να βρείτε κανονικότητες στα δεδομένα.

Καθ 'όλη τη δεκαετία του 1990 και του 2000 μεταξύ αυτών των μεθόδων υπήρχε βιώσιμου ανταγωνισμού. Στη συνέχεια, το 2012, το κρίσιμο επανάσταση οδήγησε σε μια άλλη αλλαγή του καιρού. Κατά τη διάρκεια της ετήσιας IMAGEnet διαγωνισμό, επιταχυντή σχεδιαστεί για την πρόοδο στον τομέα της όρασης υπολογιστών, που ονομάζεται Geoffrey Hinton ερευνητής, μαζί με τους συναδέλφους τους από το Πανεπιστήμιο του Τορόντο έχει επιτύχει την καλύτερη δυνατή ακρίβεια στην αναγνώριση εικόνας με ακρίβεια μόλις πάνω από 10%.

βαθιά τεχνική μάθησης που χρησιμοποιείται, έχει γεννήσει ένα νέο κύμα της έρευνας - το πρώτο στην κοινότητα των γραφίστες, και στη συνέχεια πέρα. Καθώς όλο και περισσότεροι επιστήμονες αρχίζουν να το χρησιμοποιήσει για να επιτύχει εντυπωσιακά αποτελέσματα, η δημοτικότητα αυτής της τεχνολογίας, σε συνδυασμό με τη δημοτικότητα των νευρωνικών δικτύων έχει αυξηθεί δραματικά.

Η ανάπτυξη της ενισχυτικής μάθησης

Η ανάλυση έδειξε ότι λίγα χρόνια μετά την ακμή της βαθιάς μάθησης, υπήρχε μια τρίτη και τελευταία στροφή στην έρευνα AI. Εκτός από τις διάφορες μεθόδους μηχανικής μάθησης, και υπάρχουν τρία διαφορετικά είδη: η κατάρτιση που ελέγχονται, ανεξέλεγκτη, και με ενισχύσεις. Εποπτευόμενοι μάθησης, η οποία περιλαμβάνει την σίτιση των στοιχείων του μηχανήματος σηματοδότησε την πιο συχνά χρησιμοποιείται και είναι η πιο πρακτικές εφαρμογές σήμερα. Ωστόσο, τα τελευταία χρόνια, τη μάθηση ενίσχυσης, το οποίο προσομοιώνει τη διαδικασία της μάθησης των ζώων μέσω ενός «καρότου και του μαστίγιου», τιμωρίες και ανταμοιβές, έχει οδηγήσει στην ραγδαία αύξηση των αναφορών του στα έργα.

Η ίδια η ιδέα δεν είναι νέα, αλλά εδώ και δεκαετίες δεν λειτούργησε. «Οι ειδικοί σε εποπτευόμενη μάθηση γέλασε εμπειρογνώμονες σχετικά με την εκπαίδευση ενίσχυση», δήλωσε ο Domingos. Αλλά, όπως με βαθιά μάθηση, ένα σημείο καμπής ξαφνικά έφερε την τεχνική στο προσκήνιο.

Εκείνη τη στιγμή ήρθε τον Οκτώβριο του 2015, όταν AlphaGo από DeepMind, μάθηση οπλισμού, κέρδισε τον παγκόσμιο πρωταθλητή του αρχαίου παιχνιδιού. Επιπτώσεις στην ερευνητική κοινότητα ήταν ακαριαίος.

Για τα επόμενα δέκα χρόνια

Ανάλυση MIT Technology Review παρέχει μόνο την τελευταία καστ του ανταγωνισμού μεταξύ των ιδεών που χαρακτηρίζουν την έρευνα AI. Ωστόσο, αυτό δείχνει την αστάθεια της επιθυμίας για επανάληψη των πληροφοριών. «Είναι σημαντικό να καταλάβουμε ότι κανείς δεν ξέρει πώς να λύσει αυτό το πρόβλημα», είπε ο Domingos.

Πολλές από τις μεθόδους που έχουν χρησιμοποιηθεί για πάνω από 25 χρόνια, υπήρχαν περίπου την ίδια στιγμή το 1950, και δεν ήταν σε θέση να αντιμετωπίσει τις προκλήσεις και τις επιτυχίες της κάθε δεκαετίας. Νευρωνικά δίκτυα, για παράδειγμα, έφτασε στο αποκορύφωμά της τη δεκαετία του '60 και λίγο στη δεκαετία του '80, αλλά σχεδόν πέθανε πριν κερδίσει τη δημοτικότητά του για άλλη μια φορά, χάρη στη βαθιά μάθηση. Κάθε δεκαετία, με άλλα λόγια, φαίνεται κυριαρχία άλλου εξοπλισμού για νευρωνικά δίκτυα στα τέλη της δεκαετίας του '50 και του '60, διάφορες συμβολικές απόπειρες 70, ένα σύστημα που βασίζεται στη γνώση στη δεκαετία του '80, Bayesian δίκτυο 90, τα διανύσματα αναφοράς μηδέν και νευρωνικών δικτύων και πάλι στη δεκαετία του 2010.

Δεκαετία του 2020 δεν είναι διαφορετικά, λέει ο Domingos. Έτσι, η εποχή της βαθιάς μάθησης θα μπορούσε σύντομα να τελειώσει. Αλλά τι θα συμβεί στη συνέχεια - μια παλιά τεχνική σε μια νέα δόξα, ή ένα εντελώς νέο πρότυπο - αυτό είναι το αντικείμενο έντονων συζητήσεων στην κοινότητα.

«Αν απαντήσετε στην ερώτηση,» Domingos είπε, «θέλω να πατεντάρει την απάντηση.»

Για να πιάσει την είδηση ​​της τεχνητής νοημοσύνης από την ουρά, να μας διαβάζετε Ζεν.

Σχετικά άρθρα