Τεχνητή νοημοσύνη και μηχανική μάθηση

Και θα μπορούσατε ίσως να μας πείτε περισσότερα για τη βαθιά μάθηση και ποια είναι η διαφορά μεταξύ της μηχανικής μάθησης και της βαθιάς μάθησης; Ναι, η βαθιά μάθηση είναι και πάλι ένας υπότιτλος της μηχανικής μάθησης και περιγράφει τη χρήση και την εκπαίδευση αλγορίθμων μηχανικής μάθησης που έχουν βαθιά αναπαράσταση της πληροφορίας. Και αυτό συνήθως περιγράφει τα βαθιά νευρωνικά δίκτυα. Το βάθος στη βαθιά μάθηση που είναι στα βαθιά νευρωνικά δίκτυα είναι ότι συνήθως στοιβάζονται πολλαπλά στρώματα πιθανής αναπαράστασης των δεδομένων. Μπορείτε να το φανταστείτε ως απλά στρώματα μαθηματικών πράξεων τα οποία στη συνέχεια μαθαίνονται κατά την εκπαίδευση. Έτσι δίνετε το σχήμα του δικτύου και η λειτουργία του δικτύου μαθαίνεται σε μια επαναληπτική διαδικασία εκπαίδευσης παρέχοντας ένα παράδειγμα δεδομένων και ο όρος βαθιά και μάθηση. Η προσέγγιση προέρχεται από το βάθος του δικτύου. Και ποια είναι η διαφορά μεταξύ της μηχανικής μάθησης, της βαθιάς μάθησης και του παραδοσιακού προγραμματισμού; Εντάξει, όπως είπα, η βαθιά μάθηση είναι μέρος της μηχανικής μάθησης. Η διαφορά μεταξύ της μηχανικής μάθησης και του παραδοσιακού προγραμματισμού είναι η εξής, οπότε θεωρήστε ότι έχετε κάποια δεδομένα και γνωρίζετε τους κανόνες για το πώς να επεξεργαστείτε αυτά τα δεδομένα, σωστά; Στη συνέχεια, μπορείτε να εφαρμόσετε τις λύσεις σας. Και αυτή είναι μια τυπική προσέγγιση προγραμματισμού. Έχετε τα δεδομένα σας, ξέρετε πώς να τα επεξεργαστείτε, υλοποιείτε τα προγράμματά σας και τα αποτελέσματα και την απάντηση. Η προσέγγιση στη μηχανική μάθηση είναι επομένως ότι έχετε πολλά δεδομένα και γνωρίζετε τις απαντήσεις σε αυτά τα δεδομένα, αλλά δεν έχετε ιδέα πώς να καταλήξετε. Βασικά, δεν έχετε τους κανόνες, σωστά; Το καθήκον της μηχανικής μάθησης είναι να εκπαιδεύσετε τη μηχανή σας να μάθει τους κανόνες που σας επιτρέπουν να συνδέσετε τα δεδομένα και να παράγετε τις αναμενόμενες απαντήσεις. Και μόλις το έχετε αυτό, έχετε ένα εκπαιδευμένο μοντέλο μηχανικής μάθησης το οποίο μπορεί να λάβει νέα δεδομένα, τα δεδομένα που δεν έχει δει ποτέ πριν, επειδή έχει μάθει τους κανόνες και δεν θα έπρεπε να έχει μάθει τα δεδομένα απ’ έξω και μπορεί στη συνέχεια να παράγει απαντήσεις. Έτσι, στην ταχύτητα της μηχανικής μάθησης, λέμε ότι το μοντέλο πρέπει να γενικεύει, που σημαίνει ότι θα πρέπει να έχει μάθει γενικούς κανόνες για το πώς να χειρίζεται αυτά τα δεδομένα που έχετε βάλει για να παρέχει τις σωστές απαντήσεις. Μόλις έχετε ένα τέτοιο μοντέλο, μπορείτε να το συνδέσετε ως σύνολο κανόνων στην εργασία προγραμματισμού σας. Για παράδειγμα, αν το σύνολο των κανόνων θα ήταν τόσο πολύπλοκο που δεν θα μπορούσατε ποτέ να το προγραμματίσετε γράφοντας τον κώδικα με το χέρι.

Και μπορείτε να δώσετε ένα ή περισσότερα παραδείγματα δημοφιλών χρήσεων της μηχανικής  μάθησης; Νομίζω ότι ένα παράδειγμα που χρησιμοποιείται αρκετά συχνά είναι η οπτική αναγνώριση  χαρακτήρων που σημαίνει τα μηχανήματα και το ταχυδρομείο που διαβάζουν τη διεύθυνση-στόχο  της επιστολής σας που γράφετε αυτό συνήθως δεν γίνεται από ανθρώπους αλλά είναι απλά  αισθητήρια μηχανή. Το μηχάνημα αποκρυπτογραφεί τον γραφικό σας χαρακτήρα, στη συνέχεια  ψηφιοποιεί τη διεύθυνση και τροφοδοτεί όλες αυτές τις πληροφορίες σε μια βάση δεδομένων και  στη συνέχεια η επιστολή κατευθύνεται στον στόχο. Μια άλλη προσέγγιση θα ήταν η αναγνώριση  προσώπου, για παράδειγμα. Για παράδειγμα σε ψηφιακές βιντεοκάμερες και κάμερες διαδικτύου.  Έτσι, το φάσμα των εφαρμογών στη μηχανική μάθηση είναι αρκετά χρήσιμο. Για παράδειγμα, αυτό  που κάνουμε στο εργαστήριό μας είναι ότι χρησιμοποιούμε τη μηχανική μάθηση για την πρόληψη  φυσικών καταστροφών, όπου παρακολουθούμε δεδομένα για το κλίμα ή δεδομένα για την  ατμοσφαιρική ρύπανση των τελευταίων ετών, μηνών και ούτω καθεξής. Και στη συνέχεια  εκπαιδεύουμε ένα μοντέλο το οποίο θα πρέπει να είναι σε θέση να προβλέψει πώς συμπεριφέρεται  η αύξηση της θερμοκρασίας και ούτω καθεξής. Δεδομένων πολλών παραγόντων κατά τη διάρκεια  των τελευταίων ημερών μήνες θα μπορούσατε να δώσετε ένα ή λίγα παραδείγματα δημοφιλούς  χρήσης της βαθιάς μάθησης; Σχεδόν όλα όσα είναι αρκετά πολύπλοκα και ήταν προφανώς άλυτα πριν  από περίπου δέκα χρόνια έχουμε αδειοδοτήσει τη βαθιά μάθηση και ότι είναι η αναγνώριση εικόνας,  για παράδειγμα χρησιμοποιεί τη βαθιά μάθηση, επειδή χρησιμοποιώντας το βήμα των βαθιών  δικτύων αυτή η βαθιά αρχιτεκτονική επιτρέπει στο μοντέλο να μάθει σαν καταρράκτη διαφορετικών  βημάτων επεξεργασίας χαρακτηριστικών. Σωστά; Στην πραγματικότητα, τα βαθιά νευρωνικά δίκτυα  παρακινούνται κάπως από τον οπτικό φλοιό του ανθρώπινου εγκεφάλου, ο οποίος επεξεργάζεται τις  πληροφορίες σε διάφορα στάδια, ξεκινώντας από την απλή λήψη πληροφοριών χρώματος και  καταλήγοντας βασικά σε νευρώνες που ενεργοποιούν απλά σχήματα όπως ακμές και στρογγυλά  σχήματα και ούτω καθεξής, τα νευρωνικά δίκτυα κάνουν στην πραγματικότητα αρκετά παρόμοια  πράγματα. Και πηγαίνοντας από τα πιο απλά σε πολύ σύνθετα χαρακτηριστικά για παράδειγμα, από  τις χρωματικές κλίσεις των ακμών σε νευρώνες που υπάρχουν ή έχουν μάθει να αναγνωρίζουν τα  κεφάλια των σαυρών, για παράδειγμα, αυτή η σύνθετη πληροφορία εικόνας μπορεί να επεξεργαστεί  αποτελεσματικά και αρκετά γρήγορα. Και αυτό οδηγεί στα σημερινά μοντέλα μηχανικής μάθησης  στην αναγνώριση εικόνων και σε καλύτερες επιδόσεις από τους ανθρώπους για παράδειγμα, ειδικά  αν συνυπολογίσετε το χρόνο.

Και ποιες είναι οι ευκαιρίες και οι θετικές πτυχές της μηχανικής μάθησης για την κοινωνία; Πρώτον, είναι η δυνατότητα να φθάσουμε σε μια κατάσταση αυτοματοποίησης, η οποία αφαιρεί εργασίες που είναι εντάσεως εργασίας και βαρετές και κανείς δεν πρέπει στην πραγματικότητα να τις κάνει επειδή μπορούν να αυτοματοποιηθούν όμορφα. Αυτό, φυσικά, αυξάνει την αποδοτικότητα. Μειώνει τα λάθη επειδή η μηχανή δεν κουράζεται ποτέ. Σε ένα ιατρικό περιβάλλον, για παράδειγμα, οι μηχανές θα μπορούσαν να χρησιμοποιηθούν για να ενισχύσουν τις αποφάσεις του εκπαιδευόμενου. Ο κ. Παθολόγος, για παράδειγμα. Ο κ. Παθολόγος είναι ένας ιδιαίτερα ενδιαφέρων τομέας, διότι είναι γνωστό ότι ένας ιστορικός έχει την υψηλότερη αξία του όταν πρόκειται να συνταξιοδοτηθεί, επειδή έχει πίσω του μια δια βίου βασική περίοδο μάθησης. Και αυτοί οι σχεδόν συνταξιούχοι του είναι πολύ πιο γρήγοροι από τους νέους που πρέπει να μάθουν το επάγγελμα, σωστά; Και όταν λέω πιο γρήγορα, εννοώ ότι κοιτάζουν διαισθητικά μια από αυτές τις ιστοπαθολογικές διαφάνειες και βλέπουν αμέσως τι συμβαίνει, γιατί ο νέος πρέπει να σαρώσει κάθε κομμάτι των διαφανειών σχολαστικά και να πάρει χρόνο και ούτω καθεξής και ούτω καθεξής. Και υπάρχει επίσης μια ομάδα στην τάξη που ενεργεί από τον Andreas Holzinger. Στην πραγματικότητα εκπαιδεύει μεθόδους μηχανικής μάθησης με βάση τις σημειώσεις δεδομένων που κάνει ένας ειδικός, ο κύριος Παθολόγος, με στόχο να ενσωματώσει την εμπειρία της ζωής του στην τοπολογία του σε μοντέλο μηχανικής μάθησης. Έτσι, μπορεί ενδεχομένως να χρησιμοποιηθεί ως σύντροφος εκπαίδευσης για αρχάριους σε αυτόν τον τομέα.

Και ποιοι είναι οι πιο σημαντικοί κίνδυνοι που σχετίζονται με τη δεοντολογία, για παράδειγμα, κατά τη γνώμη σας; Για αρχή, φυσικά, είναι η προβλεπόμενη περίπτωση χρήσης της μηχανικής μάθησης. Για παράδειγμα, θέλετε να τη χρησιμοποιήσετε για το γενικό καλό; Θέλετε να βελτιώσετε την κοινωνία; Θέλετε να βελτιώσετε το περιβάλλον; Ή μήπως θέλετε να το συνδέσετε σε έναν πύραυλο κρουζ; Αυτή είναι η βασική διαφορά εδώ. Και το επόμενο πράγμα είναι ότι αυτά είναι τα άκρα του φάσματος. Και μετά υπάρχει μια πληθώρα κοινωνικών ζητημάτων στο ενδιάμεσο. Για παράδειγμα, θα αυτοματοποιήσετε την εκτίμηση της πιστοληπτικής ικανότητας ενός ατόμου και θα χρησιμοποιήσετε τη μηχανική μάθηση γι’ αυτό; Και στη συνέχεια υπάρχει το ερώτημα ποια δεδομένα χρησιμοποιήσατε για να εκπαιδεύσετε αυτό το μοντέλο; Και μήπως μοντελοποιήσατε, μήπως εκπαιδεύσατε ανεπιθύμητες συσχετίσεις μεταξύ ορισμένων χαρακτηριστικών και δεδομένων και του αποτελέσματος; Για παράδειγμα, είχαμε μάθει ότι ορισμένες εθνικότητες, για οποιονδήποτε λόγο, για παράδειγμα, το χρώμα του δέρματος, η εθνικότητα, όπως είπα, δεν θα έπρεπε να λαμβάνουν, δεν ξέρω, οικονομική βοήθεια εξαιτίας αυτού του λόγου, σωστά; Το ερώτημα είναι πάντα ποια δεδομένα τροφοδοτείτε; Ποια δεδομένα θέλετε να χρησιμοποιήσει κάποιος; Υπάρχει αυτή η αρχή της αρτιότητας των δεδομένων, που σημαίνει ότι χρησιμοποιείτε μόνο τα δεδομένα που χρειάζεστε για την επίλυση της εργασίας, διότι τα πρόσθετα δεδομένα ενδέχεται να δημιουργήσουν αντιφατική συμπεριφορά στο μοντέλο. Και αυτό είναι φυσικά ένα από τα τρέχοντα μεγάλα ζητήματα με τη συνεχιζόμενη αυτοματοποίηση. Με τη μηχανική μάθηση. Από την άλλη πλευρά, υπάρχει πάντα ένα ερώτημα εάν χρησιμοποιείτε πραγματικά δεδομένα για την εκπαίδευση των μοντέλων μηχανικής μάθησης και δεν σας αρέσει αυτό που κάνει το μοντέλο, επειδή το ίδιο το μοντέλο είναι αντικειμενικό, η εμπιστοσύνη μπορεί να μάθει από τα δεδομένα που παρέχετε. Τα δεδομένα είναι η μοναδική πραγματικότητα του μοντέλου. Αυτό σημαίνει ότι δεν σας αρέσει αυτό που κάνει το μοντέλο; Ή μήπως δεν σας αρέσει η πραγματικότητα; Σωστά. Και σκέφτομαι ότι μπορεί να μην είναι πάντα ο σωστός τρόπος να διορθώνετε και να επιμελείστε τα δεδομένα σας για να απαλλαγείτε από ορισμένες συμπεριφορές του μοντέλου. Θα το έβλεπα ως ένδειξη για την αλλαγή που είναι απαραίτητη στην κοινωνία που το παράγει αυτό.

Μια ερώτηση σχετικά με την επεκτάσιμη τεχνητή νοημοσύνη Χ-Α-Υ μπορείτε να εξηγήσετε πώς είναι; Ναι. Ο στόχος λοιπόν της επεκτάσιμης τεχνητής νοημοσύνης είναι να σκιαγραφήσει το μαύρο κουτί της μηχανικής μάθησης. Έτσι, η τρέχουσα μηχανική μάθηση είναι συνήθως τα μοντέλα μηχανικής μάθησης με τις καλύτερες επιδόσεις που είναι αρκετά πολύπλοκα, πράγμα που σημαίνει ότι ο εξωτερικός παρατηρητής πραγματικά ακόμη και ο προγραμματιστής έχει πραγματικά μια εικόνα για το τι πραγματικά μαθαίνει το μοντέλο. Και με την προσβασιμότητα ή την τεχνητή νοημοσύνη X, στοχεύουμε να επανακτήσουμε κάποια διαφάνεια σχετικά με το τι κάνει το μοντέλο. Ναι, αυτό μπορεί να γίνει με διάφορους τρόπους. Αυτό που κάναμε στο εργαστήριό μας είναι ότι αναπτύξαμε μια τροποποιημένη μέθοδο υποβάθρου, η οποία σημαίνει ότι αν εισάγετε κάποια σημεία δεδομένων στο μοντέλο, το μοντέλο μετασχηματίζεται στρώμα προς στρώμα στο δίκτυο ή στο μοντέλο. Βασικά διατρέχει το μοντέλο στο τέλος και το τελικό αποτέλεσμα είναι η απάντηση του μοντέλου. Σωστά. Και μπορούμε να αντιστρέψουμε κάπως αυτή τη διαδικασία, για παράδειγμα, αν το μοντέλο λάβει μια εικόνα και μου πει ότι είναι γάτα, μπορώ να ξεκινήσω με την έξοδο γάτα και να πω ναι, αλλά γιατί; Και στη συνέχεια μπορώ να διαχωρίσω τις επιμέρους αποφάσεις των μοντέλων στρώμα προς στρώμα μέχρι να φτάσω ξανά στην είσοδο και μπορώ στη συνέχεια να λάβω, το ονομάζουμε σωστά χάρτη θερμότητας. Βασικά, είναι η απόκρυψη στο χώρο εισόδου όπου τα περισσότερα πράγματα που είναι η πληροφορία και μπορείτε να το κάνετε αυτό για κάθε πιθανό αποτέλεσμα. Για παράδειγμα, αν έχετε μια έξοδο σκύλου του μοντέλου και στη συνέχεια μπορείτε να κάνετε την ίδια διαδικασία με την έξοδο σκύλου και τότε μπορεί να λάβετε την απάντηση γιατί το μοντέλο πιστεύει ότι δεν υπάρχει σκύλος στην εικόνα ή όπου η πληροφορία για τον σκύλο δεν είναι σωστή. Αυτός είναι ένας τρόπος να συνδέσετε τη χρήση της πληροφορίας από το μοντέλο, όπως δίνεται από τα σημεία δεδομένων, με την έξοδο του μοντέλου. Ναι, η επεκτασιμότητα είναι ένας αρκετά νέος τομέας. θα έλεγα ότι τα πρώτα σοβαρά βήματα και πιο σύνθετα μοντέλα έγιναν το 2010 και έκτοτε εξελίσσεται αρκετά γρήγορα. Επομένως, υπάρχει πολλή δουλειά που συνεχίζεται. Εργαζόμαστε προς την κατεύθυνση της παροχής εξηγήσεων που υπερβαίνουν τις απλές απεικονίσεις χαρτών θερμότητας, οι οποίες χρειάζονται πολλές ερμηνείες κατά καιρούς, ειδικά αν τα δεδομένα είναι δύσκολο να κατανοηθούν και πρέπει να αναγνωριστούν. Αλλά ο τελικός μας στόχος είναι να μοντελοποιήσουμε κάτω από την αντιμετώπιση της βελτιωμένης εκμεταλλευσιμότητας πάνω στην οποία εργάζεστε σήμερα θα πρέπει να είναι λίγο-πολύ αυτονόητη σωστά με το να μην λέμε κοιτάξτε σε αυτό το μέρος της εικόνας υπάρχουν πληροφορίες που νομίζω ότι ως μοντέλο μιλάει για τη γάτα. Αλλά το μοντέλο θα πρέπει στη συνέχεια να ενημερώνει τον χρήστη. Για παράδειγμα, ότι νομίζω ότι υπάρχει μια γάτα επειδή βλέπω αυτό και εκείνο και εκείνο και εκείνο και εκείνο. Χαρακτηριστικά που μοιάζουν με γάτα, τα οποία το μοντέλο έχει, για παράδειγμα, μάθει ως χαρακτηριστικά που θα χρησιμοποιήσει κατά τη διάρκεια της πρόβλεψης. Σας ευχαριστώ πολύ. Και τι καθιστά δυνατή η εξηγήσιμη τεχνητή νοημοσύνη; Τι μπορείτε να επιτύχετε μέσω αυτού; Πρώτον, μπορείτε να καταλάβετε τι κάνει στην πραγματικότητα το μοντέλο και μπορείτε να αποκτήσετε κατανόηση ανά δείγμα ανά δείγμα σημαίνει σε αυτή την περίπτωση ότι για κάθε σημείο δεδομένων που βάζετε στο μοντέλο λαμβάνετε ανατροφοδότηση σχετικά με τη συλλογιστική του μοντέλου με βάση αυτά τα δεδομένα. Στη συνέχεια, μπορείτε φυσικά να το χρησιμοποιήσετε για να επαληθεύσετε το μοντέλο σας. Αλλά σε ορισμένες περιπτώσεις μπορεί επίσης να καταλήξετε με την πληροφορία ότι το μοντέλο παράγει τη σωστή έξοδο για λάθος λόγους. Για παράδειγμα. Και αυτό μπορεί να σας υποδείξει σφάλματα στα δεδομένα εκπαίδευσής σας, όπου έχετε εισάγει κάποιες συγκεχυμένες πληροφορίες, κάποια συγκεχυμένα χαρακτηριστικά, τα οποία το μοντέλο συνδέει στη συνέχεια με την έξοδο των γατών, αλλά τα οποία δεν είναι απολύτως καθόλου Cadillac μόνο και μόνο επειδή είναι ευκολότερο για το μοντέλο. Και τότε έχουμε και πάλι το πρόβλημα ότι η πύλη εκπαίδευσης του μοντέλου είναι η μοναδική πραγματικότητα του μοντέλου. Απλώς του δίνετε μερικές χιλιάδες εικόνες γατών και το μοντέλο μαθαίνει πώς να φτάσει από αυτή την πηγή δεδομένων στη γάτα. Και αν αυτές οι εικόνες, για παράδειγμα, έχουν μαζευτεί από το Flicker και όλες έχουν ένα υδατογράφημα πνευματικών δικαιωμάτων επειδή είναι εικόνες αρχείου ή κάτι τέτοιο, το μοντέλο μπορεί να καταλάβει ότι οι εικόνες αρχείου είναι γάτες. Σωστά; Αυτό είναι το πρόβλημα ή ένα από τα προβλήματα που μπορούμε να εντοπίσουμε με την εξωτερικότητα και αυτό στη συνέχεια στην επιλογή να βελτιώσουμε το μοντέλο, να βελτιώσουμε την πηγή δεδομένων και ούτω καθεξής, οπότε είμαστε βασικά πολύ πιο ενημερωμένοι προγραμματιστές μηχανικής μάθησης από ό, τι πριν την επέκταση.