Na konferenciji o dubokom strojnom učenju u Londonu prošlog mjeseca, nekoliko je puta pokrenuta jedna tema: važnost razumijevanja onoga što u stvari radimo. Dok tvrtke poput Googlea i dalje tvrde da svi živimo u „prvom stoljeću AI“, kada strojno učenje tek počinje otkrivati nova područja aktivnosti (poput prepoznavanja govora i slike), oni koji stvarno stoje prednjači u istraživanju AI, nastojati naglasiti da postoji još mnogo izazova s kojima se treba suočiti prije dolaska prave godine AI. Čak i ako već imamo digitalne pomoćnike koji mogu govoriti poput računala u sci-fi filmovima, to ne znači da smo ozbiljno blizu stvaranju stvarne umjetne inteligencije.
U konačnici, svi problemi koji stoje na putu stvaranja stvarnog AI su sljedeći: u količini informacija koje će u njih treba uložiti; u našoj nesposobnosti da stvorimo AI koji bi se mogao jednako dobro nositi s nekoliko zadataka odjednom; dobro, u stvari, nemamo pojma kako bi takvi sustavi zapravo trebali raditi. Tehnologije strojnog učenja u 2016. već su sposobne učiniti divne stvari, ali to ponekad može biti teško objasniti, čak i za same tvorce. A da i ne spominjem koliko sve to košta. Pogledajmo bliže složenosti s kojima se danas suočavaju AI inženjeri.
Prvo informacije, a zatim AI
Svi savršeno razumijemo da AI mora imati pristup informacijama za proučavanje svijeta oko nas, ali ne razumijemo točno koliko je informacija potrebno. Prema Neilu Lawrenceu, profesoru strojnog učenja na Sveučilištu u Sheffieldu i članu tima za razvoj AI tehnologije na Amazonu, tim će sustavima trebati stotine i tisuće puta više informacija od osobe kako bi naučio razumjeti svijet i prepoznati određene predmete.
"Ako pogledate sve industrije i područja u kojima su inženjeri postigli određeni uspjeh u strojnom dubokom učenju, odmah možete vidjeti koliko je informacija korišteno za rješavanje svih tih problema", kaže Lawrence, navodeći kao primjer iste tehnologije prepoznavanja govora i slike.
Tvrtke poput Googlea i Facebooka imaju pristup planinama informacija, što, naravno, olakšava izradu raznih korisnih alata (na primjer iste tehnologije za glasovno pretraživanje za Android).
Za Lawrencea je sada informacija kakav je ugljen bio u ranim godinama industrijske revolucije. Kao primjer, Lawrence navodi Thomasa Newcomena, Engleza koji je 1712. godine (zapravo 60 godina prije stvaranja takvog stroja James Watt) stvorio primitivnu verziju parnog motora koji pokreće ugljen. Newcomenov izum nije bio savršen. U odnosu na Watt-ov stroj pokazao se neučinkovitim i preskupim za korištenje. Najvećim dijelom mogao bi se koristiti samo u rudnicima ugljena, gdje je potrebna količina goriva nadoknadila nedostatke stroja.
Primjer Facebookove tehnologije prepoznavanja otvorenih slika
Promotivni video:
Lawrence vjeruje da bi moglo postojati stotine ovih Novosađana širom svijeta koji razvijaju vlastite modele strojnog učenja. Možda postoje istinski revolucionarne ideje među njima, ali bez pristupa njihovim tehnologijama ogromnim bazama podataka o njima, najvjerojatnije, nitko to nikada neće znati. Velike tvrtke poput Googlea, Facebooka i Microsofta - one su vrlo moderni "rudari ugljena". Imaju pristup neograničenoj količini informacija, tako da mogu stvoriti neučinkovite sustave strojnog učenja i zatim ih poboljšati. Mali startupi zaista mogu imati sjajne ideje, ali nikad neće postići ništa vrijedno bez pristupa bazama podataka.
Ovaj problem postaje još jasniji kada pogledate područja gdje dobivanje potrebnih informacija postaje još teže. Uzmimo, na primjer, zdravstveni sustav, gdje se AI može koristiti za obavljanje zadataka povezanih s strojnim vidom, pronalaženjem i prepoznavanjem zloćudnih tumora na rendgenu. Ali pristup takvim podacima obično je vrlo ograničen. Glavni ograničavajući čimbenik, prema Lawrenceu, jest trenutačna percepcija ljudi da je neetično da treće strane pristupe toj vrsti informacija. Glavni problem, prema Lawrenceu, nije u pronalaženju načina za širenje informacija, već u tome kako sustave strojnog učenja učiniti učinkovitijima i naučiti raditi s manje informacija. Prema poboljšanju učinkovitosti, ta poboljšanja učinkovitosti mogla bi potrajati istih 60 godina.kao što je to bio slučaj s Watt-ovim automobilom.
Specijalizacija je slijepa ulica. AI mora biti u mogućnosti zadati više zadataka
Drugi ključni izazov s kojim se suočava razvoj doista dubokih modela strojnog učenja je činjenica da su svi naši trenutni AI sustavi u stvari vrlo glupi. Prema Rya Hudsellu, istraživačici Googleovog DeepMind-a, ti se sustavi zapravo mogu naučiti obavljati zadatke za prepoznavanje mačaka, igrati se s njima i istovremeno biti vrlo učinkoviti u obavljanju tih zadataka. Ali "u ovom trenutku u svijetu ne postoji niti jedna cjelovita neuronska mreža i metode koje bi je osposobile za prepoznavanje slika, igranje Space Invadersa i razmatranje glazbe." Zauzvrat, neuronske mreže su ključne za stvaranje sustava dubokog učenja za strojeve.
A ovaj je problem mnogo značajniji nego što se možda čini na prvi pogled. Kada je DeepMind prošlog veljače objavio da je izgradio sustav koji može igrati 49 Atari igara, to se zaista moglo shvatiti kao veliko postignuće. Ali na kraju se ispostavilo da nakon što sustav dovrši prolazak jedne igre, svaki put ga treba prekvalificirati za igranje druge. Hudsell napominje da ne možemo naučiti sustav da igra sve igre odjednom, jer će se pravila svake skupine miješati i na kraju ometati zadatak. Svaki put kad morate ponovo učiti stroj, a svaki put sustav „zaboravlja” kako igrati prethodnu igru.
„Da bismo stvorili opću umjetnu inteligenciju, potrebno nam je nešto što će nam pomoći da naučimo stroj da obavlja više zadataka odjednom. Sada ih ne možemo trenirati da igraju igrice , kaže Hadsell.
Rješenje se može sakriti u takozvanim progresivnim neuronskim mrežama - kombiniranjem neovisnih sustava dubokog učenja u jedinstvenu cjelinu za učinkovitiji rad s informacijama. U objavljenom znanstvenom radu koji se bavio ovom problematikom, Hadsell i njezin tim istraživača razgovarali su o tome kako se njihova progresivna neuronska mreža uspjela prilagoditi u igri Pong, u kojoj su se uvjeti svaki puta nešto razlikovali (u jednom su slučaju promijenjene boje, a u drugom su zbunjene kontrolu), mnogo brže od "obične" neuronske mreže, koja se morala svaki put izučavati iznova.
Osnovni princip progresivne neuronske mreže
Metoda se pokazala vrlo obećavajućom i nedavno se koristi za podešavanje robotskih oružja, ubrzavajući proces učenja s tjedna u samo jedan dan. Nažalost, ova metoda ima i svoja ograničenja. Hudsell napominje da se u slučaju progresivnih neuronskih mreža proces učenja ne može svesti na jednostavno dodavanje novih zadataka u njihovu memoriju. Ako nastavite kombinirati takve sustave zajedno, prije ili kasnije doći ćete do "previše složenog modela kojeg je nemoguće pronaći". U ovom slučaju govorit ćemo o drugoj razini. Razina na kojoj će se različiti zadaci općenito izvoditi na isti način. Izgradnja AI koja je sposobna dizajnirati stolice i stvoriti AI razine ljudske inteligencije sposobne pisati pjesme i rješavati različite jednadžbe nisu ista stvar.
AI možemo nazvati AI ako možemo pokazati kako to funkcionira
Još jedna zastrašujuća prepreka je razumijevanje kako će umjetna inteligencija donositi svoje zaključke pri rješavanju problema. Neuronske mreže obično ne promatraju promatrača. Unatoč činjenici da znamo kako se prikupljaju i kako informacije protječu kroz njih, odluke koje donose obično ostaju izvan objašnjenja.
Odličan primjer ovog problema je eksperiment Virginia Tech. Istraživači su stvorili sustav praćenja neuronske mreže koji bilježi koje piksele u digitalnoj slici računalo počinje analizirati. Istraživači su pokazali slike neuronske mreže spavaće sobe i postavili joj pitanje: "Što visi na prozorima?" Stroj je, umjesto da gleda ravno u prozore, počeo analizirati slike počevši od poda. U njeno vidno polje ušao je krevet, a automobil je odgovorio: "Na prozorima su zavjese." Odgovor se pokazao točnim, ali samo zato što je sustav bio "naučen" da radi s ograničenom količinom podataka. Na temelju prikazane slike, neuronska mreža zaključila je da ako fotografija prikazuje spavaću sobu, tada bi najvjerovatnije na prozorima morale biti zavjese. Kada je detalj ušao u njeno vidno polje,koja se obično nalazi u bilo kojoj spavaćoj sobi (u ovom slučaju krevetu), ona nije dalje analizirala sliku. Možda nije ni vidjela ovaj krevet, vidjela je zavjese. Logično je, ali vrlo površno i privlačno. Osim toga, mnoge spavaće sobe nemaju zavjese!
Tehnologija praćenja samo je jedan alat koji nam može pomoći da razumijemo što potiče stroj na donošenje određene odluke, ali postoje i bolje metode koje mogu dodati više logike i dubinske analize sustavima strojnog učenja. Murray Shanahan, profesor kognitivne robotike na Imperial College Londonu, smatra da je najbolje rješenje problema revizija staromodne paradigme AI - simboličkog AI ili GOFAI (dobra staromodna umjetna inteligencija, "dobra dobra umjetna inteligencija"). Njegova paradigma svodi se na činjenicu da se apsolutno bilo koji zadatak može raščlaniti na osnovne logičke elemente, gdje je svaka riječ samo složen skup jednostavnih simbola. Kombinacijom ovih simbola - u radnjama, događajima, predmetima itd. - mišljenje se može sintetizirati. Zamislite samo da su se takvi događaji odvijali još u doba kada su računala bila gigantske kutije veličine sobe, radeći magnetskom vrpcom (rad je počeo sredinom 50-ih i trajao do kraja 80-ih godina prošlog stoljeća).
Shanahanov prijedlog je kombiniranje GOFAI simboličkih opisa i tehnologija dubokog učenja. To će takvim sustavima omogućiti ne samo hranjenje novim informacijama, već i čekanje na njih da zaključe određene obrasce ponašanja i rješavanja problema temeljene na tim informacijama. Shanahanov pristup osmišljen je da takve sustave obdare s polazišta za razumijevanje svijeta. To će, prema njegovom mišljenju, riješiti ne samo problem transparentnosti AI, već i problem prenosivog učenja koji je opisao Hadsell.
„Može se reći da je Breakout vrlo sličan Pongu, jer se u oba slučaja koriste„ platforme “i„ kuglice “, ali s gledišta ljudske percepcije i logike to su dvije potpuno različite igre. I praktički je nemoguće povući paralele između njih. To je poput pokušaja kombiniranja strukture atoma i strukture čitavog Sunčevog sustava."
Shanahan i njegovi kolege s Imperial College London trenutno rade na novoj metodi za strojno učenje (koju nazivaju dubokim simboličkim poticanim učenjem) i objavili su neke male eksperimente. Metoda je još uvijek u povojima i zato je teško još reći hoće li se razmjera proširiti na veće sustave koji rade s različitim vrstama podataka. Ipak, još uvijek postoje šanse da ova metoda preraste u nešto više. Uostalom, duboko učenje uvijek je bilo najdosadniji i dosadniji dio razvoja AI dok istraživači nisu pronašli način za brz pristup podacima i stekli ogromnu moć obrade. Sasvim moguće,vrijeme je da se vratimo na stare AI paradigme i isprobamo ih u novom okruženju.
NIKOLAY KHIZHNYAK