Искусственный интеллект: как научить машины учиться, как люди
Используя человеческий мозг в качестве модели, машинное обучение учит AI, как изучать новые вещи, распознавать закономерности и принимать решения.
"Тому, чему мы должны научиться, мы учимся, делая...", сказал Аристотель. Сегодня эмпирическое обучение не распространяется только на людей - машины все больше способны ощущать, рассуждать, действовать и адаптироваться на основе приобретенного опыта.
Маловероятно, что древнегреческий философ когда-либо мечтал, чтобы AI-машины тоже учились делая, чтобы улучшить прецизионную медицину и беспилотные автомобили, и даже анализировать данные, используя процессы, подобные его собственным логическим системам.
Ученым-компьютерщикам потребовалось более 60 лет, чтобы выяснить, как сделать машины умнее, эта работа продолжается и сегодня. Оказывается, между "делать" и "говорить" есть огромная разница для целей машинного обучения (ML).
В первых попытках создать искусственный интеллект исследователи пытались рассказать компьютерам все, что им нужно было знать. Когда эти прямые инструкции потерпели неудачу, ученые начали использовать стратегии машинного обучения, позволяя программам AI самостоятельно анализировать и учиться на входящих данных. Это был разумный шаг.
Бурное развитие методик обучения началось с конвергенции трех вещей. Высокая производительность компьютера, доступ к большему количеству данных в Интернете (включая текст, видение, изображения и данные датчиков), а также аннотирование или добавление заметок к данным - эти три фактора значительно улучшили способность систем AI обучаться.
Сегодня сочетание программного обеспечения, аппаратного обеспечения и Интернета помогает разработчикам программного обеспечения мощных AI-приложений, которые могут делать практически все, что угодно, от обнаружения финансового мошенничества, до выигрыша в интеллектуальных играх, даже для общения с клиентами в Интернете.
Как обучаются умные машины
Во многих отраслях промышленности сегодня компьютерное обучение опирается на компьютерные программы, которые могут учиться на данных и улучшать свой опыт без прямого программирования.
Самое большое преимущество машинного обучения заключается в том, что оно позволяет нам делать что-то гораздо быстрее, чем мы могли бы сделать традиционными способами. ML не может решить проблемы, которые человек в принципе не может решить, но оно может анализировать огромный объем данных и очень быстро строить связи и прогнозы на их основе.
В играх, например, алгоритмы машинного обучения могут анализировать игровой процесс, чтобы прогнозировать ходы и создавать более сложных противников. В производстве понимание данных может помочь компаниям предвидеть необходимость ремонта и улучшить профилактическое обслуживание.
И в области здравоохранения AI может анализировать медицинские базы данных о множестве заболеваний, помогая врачам быстрее и точнее ставить диагнозы.
Машинное обучение основано на одной из самых мощных вычислительных машин - нейронных сетях человеческого мозга.
Искусственные нейронные сети (ANN) используют алгоритмы для изучения вещей, распознавания закономерностей и принятия решений. Они имитируют то, как мозг человека решает проблему, - принимая входные данные, обрабатывая их и генерируя выходную информацию.
Нейронные сети понимают, какая информация важна, а какая нет при помощи "весов". Искусственные нейроны соединяются друг с другом по всей сети, взвешивая соединения, чтобы анализировать, насколько сильно один нейрон влияет на другой. Веса корректируются с помощью учебной программы, которая учит нейронной сети, как правильно реагировать на входные данные.
Программы глубокого обучения (DL) выполняют многоуровневые вычисления. Результаты из одного слоя передаются для анализа в следующий уровень для создания более комплексного понимания данных.
Например, нейронные сети, которые анализирует изображения зданий, могут обнаруживать края в одном слое, а затем распознавать, что эти края образуют прямоугольник в следующем слое. В следующем слое они распознают прямоугольник как здание и, наконец, в последнем слое, они определяют, что здание было небоскребом или сараем.
Разработчики программного обеспечения делают нейронные сети способными обучаться, анализируя огромные наборы данных. Сырые данные сами по себе не так полезны, поэтому разработчики аннотируют или добавляют примечания к входным данным с «правильным» пониманием, как бы маркируют их для машины.
Аннотирование данных является одним из важнейших компонентов успеха машинного обучения.
Самообучающиеся компьютеры
Благодаря машинному обучению компьютеры учатся, не будучи линейно запрограммированными. Разработчики программного обеспечения создают алгоритмы обучения, позволяя нейронным сетям улучшаться, поскольку со временем они впитывают все большее количество новых данных.
Алгоритмы обучения состоят из трех подмножеств: контролируемое, полуконтролируемое и неконтролируемое обучение. Первые два требуют больших наборов учебных данных для определения желаемых результатов.
Например, чтобы создать алгоритм обнаружения лиц, разработчики могут предоставлять изображения ландшафтов, людей и животных с соответствующими ярлыками, пока машина не сможет достоверно распознать лицо в немаркированном изображении.
Третий и святой Грааль, для большей части процессов машинного обучении, - это "неконтролируемое обучение».
В этом неконтролируемом подходе, программа определяет, что означают те или иные данные самостоятельно. Вместо предоставления маркированных изображений разработчики позволяют машине группировать изображения на основе общих характеристик, которые люди могут и не видеть.
Инструменты для создания AI
Несмотря на кажущуюся таинственность искусственного интеллекта, инструменты для создания интеллектуальных систем на самом деле широко доступны. Современное развитие не использует старые специализированные языки, такие как Lisp и Prolog. Разработчики теперь полагаются на языки общего назначения, такие как Python, Java и C ++.
И есть отличные инструменты для контролируемого обучения. Некоторые программы, такие как Caffe, Theano, MXNet и TensorFlow, оптимизированы для работы на оборудовании Intel. Высокопроизводительные чипы, такие как процессор Intel Xeon, могут выполнять высокоскоростное матричное ускорение, требуемое для алгоритмов машинного обучения.
Сегодня ученые в восторге от прогресса растущей способности AI принимать решения на основе анализа и конвергенции различных типов данных. Как и люди, машины будут продолжать улучшаться в процессе обучения.
