Какво е машинно обучение?

През декември 2017 г. DeepMind, изследователската лаборатория, придобита от Google през 2014 г., представи AlphaZero, програма за изкуствен интелект, която може да победи световни шампиони в няколко настолни игри.

Интересното е, че AlphaZero получи нулеви инструкции от хората как да играете на игрите (оттук и името). Вместо това използва машинно обучение, клон на AI, който развива поведението си чрез опит, вместо изрични команди.

В рамките на 24 часа AlphaZero постигна свръхчовешко представяне по шах и победи предишната програма за шахмат на световния шампион. Малко след това алгоритъмът за машинно обучение на AlphaZero също овладява Shogi (японски шах) и китайската настолна игра Go, и той побеждава своя предшественик, AlphaGo, 100 до нула.

Машинното обучение стана популярно през последните години и помага на компютрите да решават проблеми, които по-рано се смятаха за изключителна област на човешкия разум. И въпреки че все още е далеч от първоначалната визия за изкуствен интелект, машинното обучение ни доближи много до крайната цел - създаване на мислещи машини.

Каква е разликата между изкуствения интелект и машинното обучение?

Традиционните подходи за развитие на изкуствен интелект включват щателно кодиране на всички правила и знания, които определят поведението на АИ агента. При създаването на AI, базиран на правила, разработчиците трябва да напишат инструкции, които уточняват как трябва да се държи AI в отговор на всяка възможна ситуация. Този подход, основан на правила, известен още като добър старомоден ИИ (GOFAI) или символичен ИИ, се опитва да имитира функциите на разсъждение и представяне на знанията на човешкия ум.

Перфектен пример за символичен AI е Stockfish, първокласен шахматен двигател с отворен код, над 10 години в създаването. Стотици програмисти и шахматисти са допринесли за Stockfish и са помогнали да развият логиката си, като кодират правилата си - например какво трябва да направи AI, когато противникът премести своя рицар от B1 в C3.

Но AI, базиран на правила, често се нарушава, когато се справя със ситуации, в които правилата са твърде сложни и неявни. Разпознаването на реч и обекти в изображения например са разширени операции, които не могат да бъдат изразени в логически правила.

За разлика от символичния AI, машинното обучение AI модели се разработват не чрез писане на правила, а чрез събиране на примери. Например, за да създаде машина на шахмат, базирана на машинно обучение, разработчикът създава основен алгоритъм и след това го „обучава“ с данни от хиляди играни по-рано шахматни игри. Анализирайки данните, AI намира общи модели, които определят печелившите стратегии, които може да използва, за да победи истински противници.

Колкото повече игри AI преглежда, толкова по-добре става при прогнозиране на печелившите ходове по време на игра. Ето защо машинното обучение се определя като програма, чиято ефективност се подобрява с опит.

Машинното обучение е приложимо за много задачи в реалния свят, включително класификация на изображения, разпознаване на глас, препоръка за съдържание, откриване на измами и обработка на естествен език.

Контролирано и неуправляемо обучение

В зависимост от проблема, който искат да решат, разработчиците подготвят подходящи данни за изграждане на своя модел на машинно обучение. Например, ако искат да използват машинно обучение за откриване на измамни банкови транзакции, разработчиците ще съставят списък на съществуващите транзакции и ще ги маркират с техния резултат (измамен или валиден). Когато те подават данните към алгоритъма, той разделя измамните и валидни транзакции и намира общите характеристики във всеки от двата класа. Процесът на обучение на модели с пояснени данни се нарича „контролирано обучение“ и в момента е доминиращата форма на машинно обучение.

Много онлайн хранилища с етикетирани данни за различни задачи вече съществуват. Някои популярни примери са ImageNet, набор от данни с отворен код на повече от 14 милиона изображения с етикет, и MNIST, набор от данни за 60 000 етикетирани ръкописни цифри. Разработчиците на машинно обучение също използват платформи като Механичния турчин на Amazon, онлайн център за наемане по заявка за изпълнение на познавателни задачи като етикетиране на изображения и аудио образци. И нарастващ сектор от стартиращи фирми, специализирани в анотацията на данни.

Но не всички проблеми изискват етикетирани данни. Някои проблеми с машинното учене могат да бъдат решени чрез „безконтролно обучение“, където предоставяте на AI модела сурови данни и го оставяте да разбере кои модели са подходящи.

Често срещано използване на неуправляемо обучение е откриване на аномалия. Например, алгоритъмът за машинно обучение може да обучава суровите данни за трафик на мрежата на свързано с интернет устройство - да речем, интелигентен хладилник. След обучение AI установява базова линия за устройството и може да маркира външно поведение. Ако устройството се зарази със злонамерен софтуер и започне да комуникира със злонамерени сървъри, моделът на машинно обучение ще може да го открие, тъй като мрежовият трафик е различен от нормалното поведение, наблюдавано по време на обучение.

Укрепване на обучението

Досега вероятно знаете, че качествените данни за обучение играят огромна роля в ефективността на моделите за машинно обучение. Но засилването на обучението е специализиран вид машинно обучение, при което ИИ развива поведението си, без да използва предишни данни.

Моделите за усилване на обучението започват с чиста плоча. Инструктирани са само по основните правила на средата и задачата, която се работи. Чрез опит и грешки те се научават да оптимизират действията си за своите цели.

AlphaZero на DeepMind е интересен пример за обучение за подсилване. За разлика от други модели на машинно обучение, които трябва да видят как хората играят шах и се учат от тях, AlphaZero започна само да знае ходовете на парчетата и условията за победа на играта. След това тя изигра милиони мачове срещу себе си, като започна с произволни действия и постепенно развивайки поведенчески модели.

Укрепването на обучението е гореща област на изследване. Това е основната технология, използвана за разработване на AI модели, които могат да овладеят сложни игри като Dota 2 и StarCraft 2 и също така се използват за решаване на проблеми в реалния живот, като например управление на ресурсите на центъра за данни и създаване на роботизирани ръце, които могат да обработват обекти с човешка сръчност.,

Дълбоко учене

Дълбокото обучение е друг популярен подмножество от машинно обучение. Той използва изкуствени невронни мрежи, софтуерни конструкции, които са грубо вдъхновени от биологичната структура на човешкия мозък.

Невронните мрежи превъзхождат обработката на неструктурирани данни като изображения, видео, аудио и дълги откъси от текст, като статии и научни доклади. Преди дълбокото обучение, експертите по машинно обучение трябваше да положат много усилия за извличане на функции от изображения и видеоклипове и да изпълняват своите алгоритми на всичко отгоре. Невронните мрежи автоматично откриват тези характеристики, без да изискват много усилия от човешки инженери.

Дълбокото обучение стои зад много съвременни AI технологии като автомобили без шофьор, усъвършенствани системи за превод и технология за разпознаване на лица във вашия iPhone X.

Границите на машинното обучение

Хората често бъркат машинното обучение с изкуствения интелект на човешко ниво и маркетинговите отдели на някои компании умишлено използват термините взаимозаменяемо. Но докато машинното обучение е предприело големи крачки към решаването на сложни проблеми, то все още е много далеч от създаването на мислещите машини, предвидени от пионерите на AI.

В допълнение към ученето от опит, истинската интелигентност изисква разсъждения, здрав разум и абстрактно мислене - области, в които моделите на машинно обучение се представят много слабо.

Например, докато машинното обучение е добро при сложни задачи за разпознаване на модели като прогнозиране на рак на гърдата пет години предварително, той се бори с по-опростени логически и разсъждаващи задачи, като решаване на задачи по математика в средните училища.

Липсата на мотиви за машинно обучение прави лошо при обобщаването на знанията му. Например, агент за машинно обучение, който може да играе Super Mario 3 като професионалист, няма да доминира в друга игра на платформата, като Mega Man или дори друга версия на Super Mario. Ще трябва да се обучава от нулата.

Без властта да извлича концептуални знания от опит, машинното обучение изисква много тонове данни за обучение за изпълнение. За съжаление, много домейни нямат достатъчно данни за обучение или нямат средства да придобият повече. Дълбокото обучение, което сега е разпространената форма на машинно обучение, също страда от проблем с обяснимостта: Невронните мрежи работят по сложни начини и дори техните създатели се борят да следват процесите на вземане на решения. Това затруднява използването на силата на невронните мрежи в настройки, където има законово изискване за обяснение на AI решения.

За щастие се полагат усилия за преодоляване на границите на машинното обучение. Един забележителен пример е широко разпространена инициатива на DARPA, изследователската група на Министерството на отбраната, за създаване на обясними модели на ИИ.

• Какво е изкуствен интелект (AI)? Какво е изкуствен интелект (AI)?
• Повечето AI долари отиват за машинно обучение Повечето AI долари отиват за машинно обучение
• Как искате да видите AI използван? Как искате да видите AI използван?

Други проекти имат за цел да намалят прекомерното разчитане на машинното обучение върху пояснените данни и да направят технологията достъпна за домейни с ограничени данни за обучение. Наскоро изследователи от IBM и MIT направиха навлизане в областта, комбинирайки символичен AI с невронни мрежи. Хибридните AI модели изискват по-малко данни за обучение и могат да предоставят стъпка по стъпка обяснения на техните решения.

Дали еволюцията на машинното обучение в крайна сметка ще ни помогне да постигнем непрекъснатата цел - създаване на ИИ на човешко ниво, остава да видим. Но това, което знаем със сигурност е, че благодарение на напредъка в машинното обучение, устройствата, седнали на бюрата ни и почиващи в джобовете, стават все по-умни с всеки изминал ден.