Aproape tot ce auzi despre inteligența artificială astăzi provine din învățarea profundă. Această categorie de algoritmi funcționează cu statistici pentru a găsi modele în date și s-a dovedit a fi extrem de puternică în imitarea abilităților umane, cum ar fi capacitatea noastră de a vedea și auzi. Într-o măsură foarte restrânsă, poate chiar imita capacitatea noastră de a raționa. Acești algoritmi acceptă Căutarea Google, Facebook Newsfeed, motorul de recomandare Netflix și formează industrii precum asistența medicală și educația.
Cum se dezvoltă învățarea profundă
În ciuda faptului că învățarea profundă, practic, a reușit să aducă inteligență artificială publicului, aceasta reprezintă doar un mic fulger în sarcina istorică a umanității de a reproduce propria sa inteligență. A fost în fruntea acestei căutări de mai puțin de un deceniu. Dacă lăsăm deoparte întreaga istorie a acestei zone, este ușor de înțeles că în curând se poate pleca și ea.
El a spus că „Așteptările și coborâșurile bruște ale diferitelor metode au caracterizat mult timp cercetarea AI. În fiecare deceniu, a existat o concurență intensă între diferite idei. Apoi, din când în când, comutatorul trece și întreaga comunitate începe să facă un singur lucru.
Colegii noștri de la MIT Technology Review au dorit să vizualizeze aceste probleme și să înceapă. În acest scop, au apelat la una dintre cele mai mari baze de date ale lucrărilor științifice deschise cunoscute sub numele de arXiv. Au descărcat extrase dintr-un total de 16.625 de articole disponibile în secțiunea AI până pe 18 noiembrie 2018 și au urmărit cuvintele menționate de-a lungul anilor pentru a vedea cum a evoluat domeniul.
Prin analiza lor, au apărut trei tendințe majore: trecerea către învățarea automată la sfârșitul anilor 90 și începutul anilor 2000, creșterea popularității rețelelor neuronale care a început la începutul anilor 2010 și creșterea învățării de consolidare în ultimii ani.
Video promotional:
Dar mai întâi, câteva avertismente. În primul rând, secțiunea arXiv cu AI datează din 1993, iar termenul „inteligență artificială” datează din anii ’50, deci baza de date în sine reprezintă doar capitolele finale ale istoriei domeniului. În al doilea rând, documentele adăugate în baza de date în fiecare an reprezintă doar o fracțiune din activitatea desfășurată în acest domeniu în acest moment. Cu toate acestea, arXiv oferă o resursă excelentă pentru identificarea unora dintre tendințele majore de cercetare și pentru a vedea remorcherul de război între diferite tabere ideologice.
Paradigma de învățare a mașinilor
Cea mai mare schimbare pe care au descoperit-o cercetătorii a fost îndepărtarea de sistemele bazate pe cunoștințe spre începutul anilor 2000. Astfel de sisteme informatice se bazează pe ideea că este posibilă codificarea tuturor cunoștințelor umane într-un sistem de reguli. În schimb, oamenii de știință au apelat la învățarea automată, categoria părinților de algoritmi care includ învățarea profundă.
Printre cele 100 de cuvinte menționate, cele asociate sistemelor bazate pe cunoaștere - „logică”, „constrângeri” și „regulă” - au scăzut cel mai mult. Iar cele legate de învățarea mașinilor - „date”, „rețea”, „performanță” - au crescut cel mai mult.
Motivul acestei schimbări de vreme este foarte simplu. În anii 80, sistemele bazate pe cunoștințe câștigau popularitate în rândul fanilor, datorită entuziasmului din jurul proiectelor ambițioase care încercau să recreeze bunul simț în mașini. Dar când aceste proiecte s-au derulat, cercetătorii s-au confruntat cu o provocare majoră: au fost codificate prea multe reguli pentru ca sistemul să facă orice lucru util. Aceasta a dus la creșterea costurilor și a încetinit semnificativ procesele în curs de desfășurare.
Răspunsul la această problemă este învățarea automată. În loc să solicite oamenilor să codifice manual sute de mii de reguli, această abordare programează utilaje pentru a extrage automat aceste reguli dintr-o grămadă de date. De asemenea, acest domeniu s-a îndepărtat de sistemele bazate pe cunoștințe și a apelat la îmbunătățirea învățării automate.
Boomul rețelelor neuronale
În noua paradigmă a învățării automate, trecerea la învățarea profundă nu s-a întâmplat peste noapte. În schimb, o analiză a termenilor cheie a arătat că oamenii de știință au testat multe metode pe lângă rețelele neuronale, principalele mecanisme ale învățării profunde. Alte metode populare au inclus rețelele bayesiene, mașini de susținere a vectorului și algoritmi de evoluție, toate folosind abordări diferite pentru găsirea tiparelor în date.
În anii 1990 și 2000, a existat o concurență puternică între aceste metode. Apoi, în 2012, o descoperire dramatică a dus la o altă schimbare a vremii. În cadrul competiției anuale ImageNet pentru a accelera progresul viziunii computerizate, un cercetător numit Jeffrey Hinton, împreună cu colegii săi de la Universitatea din Toronto, au obținut cea mai bună precizie de recunoaștere a imaginii cu o marjă de eroare de puțin peste 10%.
Tehnica de învățare profundă pe care a folosit-o a generat un nou val de cercetare, mai întâi în comunitatea de vizualizare și apoi dincolo. Pe măsură ce tot mai mulți oameni de știință au început să-l folosească pentru a obține rezultate impresionante, popularitatea acestei tehnici, împreună cu popularitatea rețelelor neuronale, s-au abătut.
Creșterea învățării de consolidare
Analiza a arătat că la câțiva ani de la înălțimea învățării profunde, a existat o a treia și ultima schimbare în cercetarea AI.
Pe lângă diferitele metode de învățare automată, există trei tipuri diferite: învățare supravegheată, învățare nesupravegheată și învățare de consolidare. Învățarea supravegheată, care implică alimentarea datelor cu etichete la mașină, este cea mai frecvent utilizată și are și cele mai practice aplicații astăzi. Cu toate acestea, în ultimii ani, învățarea prin întărire, care imită procesul de învățare a animalelor prin morcovi și bastoane, pedepse și recompense, a dus la o creștere rapidă a referințelor în lucrări.
Ideea în sine nu este nouă, dar nu a funcționat de mai multe decenii. „Specialiștii în învățare supravegheată au râs de specialiștii în învățare la consolidare”, spune Domingos. Dar, ca și în cazul învățării profunde, un moment de cotitură a adus brusc metoda în prim plan.
Acel moment a venit în octombrie 2015, când AlphaGo de DeepMind, antrenat cu întărire, a învins campioana mondială în vechiul joc de joc. Impactul asupra comunității de cercetare a fost imediat.
Următorii zece ani
MIT Technology Review oferă doar cea mai recentă imagine a competiției dintre ideile care caracterizează cercetarea AI. Cu toate acestea, ilustrează inconsistența urmăririi duplicării inteligenței. „Este important să înțelegem că nimeni nu știe să rezolve această problemă”, spune Domingos.
Multe dintre metodele folosite de 25 de ani au apărut în aceeași perioadă în anii 1950 și nu au reușit să corespundă provocărilor și succeselor fiecărui deceniu. Rețelele neuronale, de exemplu, au atins apogeul în anii 60 și ușor în anii 80, dar aproape au murit înainte de a-și recăpăta popularitatea datorită învățării profunde.
Fiecare deceniu, cu alte cuvinte, a văzut dominanța unei tehnici diferite: rețelele neuronale la sfârșitul anilor 50 și 60, diverse încercări simbolice în anii 70, sisteme bazate pe cunoștințe în anii 80, rețele Bayesiene în anii 90, vectori de referință în zero și rețele neuronale din nou în anii 2010.
Anul 2020 nu va fi altfel, spune Domingos. Aceasta înseamnă că epoca învățării profunde poate fi curând terminată. Dar ce se va întâmpla în continuare - o tehnică veche într-o nouă glorie sau o paradigmă complet nouă - acesta este subiectul unor controverse aprige în comunitate.
Ilya Khel
