Umetna inteligenca in strojno učenje

Moje ime je Dr. Sabasana. Sem vodja oddelka za eksperimentalno umetno inteligenco, doma v Berlinu, moja naloga pa je izvajati raziskave v smeri uporabnosti umetne inteligence.

Ali nam lahko poveste več o globokem učenju in kakšna je razlika med strojnim in globokim učenjem? Da, globoko učenje je spet podnaslov strojnega učenja in opisuje uporabo in usposabljanje algoritmov strojnega učenja, ki imajo globoko predstavo informacij. In to običajno opisuje globoke nevronske mreže. Globina pri tem globokem učenju je v globokih nevronskih mrežah v tem, da se običajno zloži več plasti možne predstave podatkov. To si lahko predstavljate kot plasti matematičnih operacij, ki se jih nato naučimo pri usposabljanju. Tako podate obliko omrežja, funkcija omrežja pa je določena v iterativnem procesu usposabljanja z zagotavljanjem podatkov, ki služijo kot primer, in izrazoma globoko in učenje. Pristop izhaja iz globine omrežja. In kakšna je razlika med strojnim učenjem, globokim učenjem in tradicionalnim programiranjem? Kot sem že povedal, je globoko učenje del strojnega učenja. Razlika med strojnim učenjem in tradicionalnim programiranjem je naslednja – upoštevajte, da imate nekaj podatkov in poznate pravila, kako te podatke obdelati. Potem lahko izvedete svoje rešitve. In to je tipičen pristop k programiranju. Imate svoje podatke, veste, kako jih obdelati, izvajate svoje programe in rezultate ter odgovore. Pristop k strojnemu učenju je torej tak, da imate veliko podatkov in poznate odgovore na te podatke, vendar nimate pojma, kako priti do njih. V bistvu nimate pravil, kajne? Naloga strojnega učenja je, da stroj usposobite za učenje pravil, ki vam omogočajo povezovanje podatkov in izdelavo pričakovanih odgovorov. In ko to dobite, imate usposobljen model strojnega učenja, ki lahko prejme nove podatke, podatke, ki jih še nikoli ni videl, ker se je naučil pravil, ki se jih ne bi smel naučiti na pamet, in nato lahko pripravi odgovore. Zato pri hitrosti strojnega učenja pravimo, da mora model posplošiti, kar pomeni, da se mora naučiti splošnih pravil, kako ravnati s temi podatki, ki ste jih vnesli, da bo zagotovil pravilne odgovore. Ko imate takšen model, ga lahko kot niz pravil vključite v svojo programsko nalogo. Na primer, če bi bil nabor pravil tako zapleten, da ga nikoli ne bi mogli eksplicitno kodirati z ročnim pisanjem kode.

Ali lahko navedete enega ali več primerov priljubljene uporabe strojnega učenja? Mislim, da je eden od primerov, ki se pogosto uporablja, optično prepoznavanje znakov, kar pomeni, da stroji in pošta preberejo ciljni naslov vašega pisma, ki ga napišete, tega običajno ne opravijo ljudje, ampak je to samo senzorični stroj. Stroj dešifrira vašo pisavo, nato digitalizira naslov in vse te informacije vnese v podatkovno zbirko, nato pa se pismo usmeri na cilj. Drug pristop bi bil na primer prepoznavanje obraza. Na primer v digitalnih videokamerah in spletnih kamerah. Spekter aplikacij na področju strojnega učenja je torej precej uporaben. V našem laboratoriju na primer uporabljamo strojno učenje na primer za preprečevanje naravnih nesreč, kjer sledimo, kje imamo na primer podatke o podnebju ali onesnaženosti zraka v zadnjih letih, mesecih in tako naprej. In nato treniramo model, ki naj bi bil sposoben napovedati, kako se obnaša prihod temperature in tako naprej. Glede na veliko dejavnikov, ki jih spremljamo v zadnjih dneh, mesecih, bi lahko navedli enega ali nekaj primerov priljubljene uporabe globokega učenja? Za skoraj vse, kar je precej zapleteno in je bilo očitno nerešljivo, smo pred približno desetimi leti licencirali globoko učenje. Za prepoznavanje slik se na primer uporablja globoko učenje, ker s korakom globokih omrežij ta globoka arhitektura omogoča, da se model uči kot kaskada različnih korakov obdelave značilnosti. Prav? Dejansko so globoke nevronske mreže nekoliko motivirane z vizualno skorjo človeških možganov, ki obdeluje informacije v več korakih, začenši s samim sprejemanjem barvnih informacij in koncem s sprožanjem nevronov do preprostih oblik, kot so robovi in okrogle oblike in tako naprej. S prehodom od atomskih do zelo kompleksnih lastnosti, na primer od barvnih gradientov robov do nevronov, ki so se naučili prepoznavati glave kuščarjev, se lahko te kompleksne slikovne informacije učinkovito in precej hitro obdelajo. In to vodi do tega, da sedanji modeli strojnega učenja pri prepoznavanju slik na primer prekašajo ljudi, zlasti če upoštevamo čas.

Kakšne so priložnosti in pozitivni vidiki strojnega učenja za družbo? Prvič, to je možnost, da dosežemo stanje avtomatizacije, ki odpravlja naloge, ki so delovno intenzivne, a dolgočasne in jih nihče ne bi smel opravljati, ker jih je mogoče lepo avtomatizirati. S tem se seveda poveča učinkovitost. Zmanjšuje se število napak, ker se stroj nikoli ne utrudi. V zdravstvu bi lahko na primer s stroji dopolnili odločitve pripravnikov. Gospod patolog, na primer. Gospod patolog je tu še posebej zanimivo področje, saj je znano, da ima zgodovinar najvišjo vrednost, ko gre v pokoj, ker ima za seboj vseživljenjsko osnovno obdobje učenja. In ti skoraj upokojeni so zelo hitrejši od novih fantov, ki se morajo naučiti poklica, kajne? In s hitrejšimi mislim, da intuitivno pogledajo enega od teh histopatoloških preparatov in takoj vidijo, kaj se dogaja. Zakaj mora novinec skrbno skenirati vsak košček preparata in si za to vzeti čas in tako naprej in tako naprej? Obstaja pa tudi skupina, ki deluje v razredu Andreasa Holzingerja. Učijo se s pomočjo metode strojnega učenja na podlagi anotacij podatkov, ki jih naredi strokovnjak, gospod patolog, s ciljem, da bi njegove življenjske izkušnje v topologiji zajel v model strojnega učenja. Tako ga je potencialno mogoče uporabiti kot spremljevalca za usposabljanje začetnikov na tem področju.

Katera so po vašem mnenju najpomembnejša tveganja, povezana na primer z etiko? Prvo je seveda predvideni primer uporabe strojnega učenja. Na primer, ali ga želite uporabljati v splošno dobro? Ali želite izboljšati družbo? Ali želite izboljšati okolje? Ali pa ga želite vgraditi v manevrirno raketo? To je bistvena razlika. Naslednja stvar je, da sta to skrajna konca spektra. Vmes je še veliko družbenih vprašanj. Ali na primer avtomatizirate oceno kreditne sposobnosti osebe in za to uporabite strojno učenje? In potem je tu še vprašanje, katere podatke ste uporabili za usposabljanje tega modela? In ali ste morda modelirali, morda trenirali neželene korelacije med nekaterimi značilnostmi in podatki ter rezultatom? Na primer, naučili smo se, da nekatere etnične skupine iz kakršnega koli razloga, na primer barve kože, etnične pripadnosti, kot sem rekel, ne bi smele prejeti, ne vem, finančne pomoči zaradi tega razloga, kajne? Vprašanje je vedno, katere podatke vnesete. Katere podatke želite, da nekdo uporabi? Obstaja načelo podatkovne prostornosti, ki pomeni, da uporabite le podatke, ki jih potrebujete za rešitev naloge, saj lahko dodatni podatki v modelu povzročijo konfliktno vedenje. In to je seveda eno od trenutnih velikih vprašanj pri tekoči avtomatizaciji. Pri strojnem učenju. Po drugi strani pa vedno obstaja vprašanje, če za usposabljanje modelov strojnega učenja uporabljate resnične podatke in vam ni všeč, kaj model počne, saj je sam model objektiven. Podatki so edina resničnost modela. Ali to pomeni, da vam ni všeč, kaj model počne? Ali pa vam ni všeč resničnost? Prav. In razmišljam, da morda ni vedno pravi način za popravljanje in kurativo podatkov, da bi se znebili določenega vedenja modela. To bi videl kot kazalnik za potrebne spremembe v družbi, ki to proizvaja.

Vprašanje glede razširljive umetne inteligence X-A-Y Ali lahko razložite, kakšna je? Da. Cilj razširljive umetne inteligence je, da bi se približala črni skrinjici strojnega učenja. Torej trenutno strojno učenje je tako, da so običajno najuspešnejši modeli strojnega učenja precej kompleksni, kar pomeni, da ima zunanji opazovalec ali celo razvijalec slab vpogled v to, kaj se model dejansko uči. Z dostopnostjo ali umetno inteligenco X pa želimo ponovno pridobiti nekaj preglednosti nad tem, kaj model počne. Ja, to je mogoče storiti na več načinov. V našem laboratoriju smo razvili modificirano metodo ozadja, kar pomeni, da če v model vnesete nekaj podatkovnih točk, se model po plasteh preoblikuje v omrežje ali model. V bistvu gre na koncu skozi model, končni rezultat pa je odgovor modela. In ta proces lahko nekoliko obrnemo, na primer tako, da če model prejme sliko in mi pove, da je to mačka, lahko začnem z izhodom za mačko in rečem: “Da, ampak zakaj?”. In potem lahko razbiram delne odločitve modelov plast za plastjo, dokler spet ne pridem do vhodnega podatka, in potem lahko dobim t.i. toplotni zemljevid. To je v bistvu maskiranje v vhodnem prostoru, kjer je več stvari, ki so informacije, in to lahko storite za vsak potencialni izid. Če imate na primer izhod modela za psa, lahko isti postopek izvedete z izhodom za psa in potem lahko dobite odgovor, zakaj model meni, da na sliki ni psa, ali kje informacija o psu ni prava. To je način, kako povezati uporabo informacij, ki jih modelu dajejo podatkovne točke, z izhodom modela. Da, razširljivost je precej mlado področje. Rekel bi, da so bili prvi resni koraki in kompleksnejši modeli narejeni leta 2010, od takrat pa se precej hitro razvija. Tako da se veliko dela še vedno odvija. Prizadevamo si za zagotavljanje razlag, ki presegajo preproste vizualizacije toplotnih zemljevidov, ki včasih potrebujejo veliko razlage, zlasti če je podatke težko razumeti in jih je treba upoštevati. Toda naš končni cilj je model v okviru obravnave izboljšane izkoriščenosti, s katerim se trenutno ukvarjamo. Biti bi moral bolj ali manj samoumeven prav s tem, da ne bi rekli, poglejte na tem delu slike so informacije, ki po mojem mnenju kot model govorijo za mačka. Vendar bi moral model na to obvestiti uporabnika. Na primer, da mislim, da je tam mačka, ker vidim to in to. Značilnosti, podobne mački, ki se jih je model na primer naučil kot značilnosti, ki jih lahko uporabi pri napovedovanju. Najlepša hvala. In kaj omogoča razložljiva umetna inteligenca? Kaj lahko s tem dosežete? Prvič, lahko razumete, kaj model dejansko počne, in lahko pridobite razumevanje na podlagi vzorca od vzorca, kar v tem primeru pomeni, da za vsako podatkovno točko, ki jo vnesete v model, prejmete povratne informacije o razmišljanju modela na podlagi teh podatkov. To lahko nato seveda uporabite za preverjanje modela. V nekaterih primerih pa lahko na koncu dobite tudi informacijo, da model npr. daje prave rezultate iz napačnih razlogov. In to vas lahko opozori na napake v vaših podatkih za učenje, kjer ste vnesli nekaj zavajajočih informacij, nekaj zavajajočih značilnosti, ki jih model nato poveže z izhodom mačk, ki pa absolutno niso pravilne, samo zato, ker je to za model lažje. In spet imamo problem, da so učna vrata modela edina resničnost modela. Preprosto mu damo nekaj tisoč slik mačk in model se nauči, kako priti od tega vira podatkov do mačke. In če so bile te slike na primer zbrane s Flickerja in imajo vse vodni znak za avtorske pravice, ker gre za stock slike ali kaj podobnega, lahko model ugotovi, da so stock slike mačke. Ali je tako? To je ena od težav, ki jo lahko opredelimo s preverjanjem, in to nam omogoča, da izboljšamo model, izboljšamo vir podatkov in tako naprej, tako da smo v bistvu veliko bolj obveščeni razvijalci strojnega učenja kot pred razširitvijo.