Технология ИИ

10 декабря 2018 наши дни многое делается на базе искусственного интеллекта (ИИ). Опросы свидетельствуют о том, что большинство руководителей считают, что ИИ играет определенную роль в улучшении бизнеса. С повседневной точки зрения мы также видим прогресс.

Приложения искусственного интеллекта есть везде: программное обеспечение встроено в камеры безопасности, беспилотные летательные аппараты, автономные автомобили,а также в медицинское диагностическое оборудование.

Многие из приложений ИИ разработаны с использованием технологии, называемой глубоким обучением, и, хотя был достигнут значительный прогресс, возникает вопрос: насколько она продвинута?

Как работает "Глубокое обучение"

Глубокое обучение - технология, которая имитирует нейроны и синапсы в человеческом мозге. Является высоко интеллектуальной формой обучения.

Рассмотрим этапы обработки изображения.

• Во-первых, получить набор файлов изображений для обучения модели. Этот набор данных будет состоять из файлов изображений, помеченных меткой изображения (например, кошка, собака и т. д.).
• Затем создайте модель нейронной сети, которая очень грубо имитирует функциональность человеческого глаза, используя различные слои нейронов для выполнения анализа, извлечения признаков из изображения, подвыборки и, наконец, классификации изображения.
• Модель обучается путем ее прогона через выбранный набор обучающих данных. Обучение выполняется через несколько проходов, и метод, называемый "обратным распространением", настраивает нейронную сеть для повышения точности классификации изображений.
• Получив удовлетворительную оценку точности, обученная модель затем используется в реальном мире для обнаружения изображений, которые она была обучена " видеть.”

Ограничения обучения обработке изображений

Хотя вышеприведенный метод хорошо работает для изображений, для которых модель была обучена, он не работает так же хорошо для других, которые не были в исходном наборе данных обучения. Например, если модель была обучена обнаруживать щенков, она вряд ли сможет обнаружить взрослых собак.

Если модель была обучена обнаруживать собак, то вряд ли она сможет классифицировать кошку как животное, несмотря на сходство — четыре лапы и хвост.

Хотя это может быть приемлемо для специализированных приложений обработки изображений, он значительно не хватает интуиции и эмпирического обучения способности 2-летнего ребенка.

Кроме того, объем обучения, необходимый для создания более универсального приложения для обработки изображений, может быть довольно сложным. Очевидно, что люди имеют преимущество, когда речь заходит о процессе обучения и преодоления ограничений свойственных "глубокому обучению".

Альтернативные методы фокусируются на опыте

Исследователи ИИ экспериментируют и с другими методами, чтобы разработать более эмпирический подход к обучению, подобный тому, как мог бы учиться молодой человек.

Одним из таких методов является обучение с подкреплением. Ключевыми компонентами этой формы обучения является агент, набор действий, которые может предпринять моделируемая среда, отражающая реальный мир, и система вознаграждения за выполненные задачи.

Этот новый ИИ научился распознавать оружие на видео, просматривая боевики

Агенту дается задание на выполнение в среде. В любой момент агент может выбрать из набора действие, и в конце каждого сеанса агент получает вознаграждение, если он успешно выполняет задачу.

Агент учится путем многократных проб и ошибок, а также путем составления истории предпринятых действий и связанных с ними вознаграждений. Цель агента-максимизировать вознаграждение.

Эта техника часто используется в играх и была использована программой AlphaGo Zero от Google. AlphaGo Zero начинал с нуля, использовал случайные ходы и играл против самого себя.

Ошибаться - это человеческое ... и основополагающее?

 Иногда люди ссылаемся на поговорку: "ошибаться-это по-человечески", чтобы оправдать себя в трудных ситуациях, но исследователи ИИ обнаружили, что процесс проб и ошибок могут быть основой обучения.

Пока рано говорить, найдет ли подкрепляющее обучение практическое применение в реальном мире, но прогноз положительный. Что касается глубокого обучения, эта техника является рабочей лошадкой приложений ИИ в настоящее время, и она, вероятно, будет иметь свою нишу в ближайшем будущем.