Vad händer om du lämnar artificiell intelligens obevakad?

Innehåll:

Oberoende AI

Även om det redan är en dålig form - för att nämna förra årets match med Alpha Go och en person i första stycket, låt oss börja med det här exemplet. Han är intresserad av oss, för det här är kanske det första adekvata fallet med "självlärande AI". Det finns många andra exempel, men till denna dag har de inte lämnat laboratorierna och är allmänt okända för allmänheten. Kärnan i AlphaGos självstudie var de många timmarna med att spela spel med sig själv och studien av de spel som spelades.

Denna tävling av man och bil lockade uppmärksamheten hos alla större publikationer. Jag, som alltid, bromsade och hade inte tid för detta underbara memo tåg av modern journalistik. Men "konfrontationen av århundradet" är intressant inte bara av hype kring det (en miljon dollar i prispengar, tilldela en hedersnos 9th i spelet, ett vetenskapligt genombrott av året enligt Science) och en distinkt smak av Azimov-fiktion. Essensen av handlingen i korthet: AlphaGo-spelmaskinen dominerade och vann 4 av 5 matcher i det traditionella orientaliska spelet. Hon vann inte hos någon förstklassig spelare, men på koreanska go-professional 9 dan Lee Sedol (2: a plats i internationell betyg). Experter säger att det här fallet inte ser ut som ett schackkamp hos en dator och Garry Kasparov, eftersom 1997 utbildades datorn under övervakning av schackspelare, som själva skrev strategier och coachade honom. För träning av AlphaGo-spelaren användes brutteffektmetoden (maskinen såg ett urval av hundratusentals partier) som liknar de arbetsforskningsmodeller som i allmänhet kallas GANs (generativa adversariella nätverk). De är av särskilt intresse, eftersom företrädare för AlphaGo-teamet har tagit tag i dessa konkurrenskraftiga neurala nätverk. Vi kommer att överväga dem i den här artikeln.

Ett sådant tillvägagångssätt för utbildningen av artificiell intelligens är inte längre nyheter - generativa konkurrerande nätverk eller bara GANs visade sig först 2014 med hjälp av Ian Goodfellow. GANs arbetar väldigt enkelt - som en bunt av advokat-advokat, en dålig bra cop eller en kritiker-författare. Ett nätverk (diskriminator, D) klassificerar, markerar inkommande data som falskt eller sant. Ett konkurrerande nätverk (generator, G) studerar diskriminatorens uppskattningar och kan skapa ny data baserad på dessa uppskattningar. Dessa neurala nätverk lär ömsesidigt varandra. Och mest intressant behöver GANs mycket små prov på träningsinformation - det tar bara några hundra bilder och tre eller fyra repetitionsreparationer för att generatorn ska börja producera egna versioner av de ursprungliga bilderna (innan läromålet för neurala nätverk krävde många timmar och miljontals prover).

En av de mest intresserade av GAN-modellerna av AI var Facebook, vilket till och med skyndade att publicera ett inlägg om det. Varför Facebook? Eftersom det är den mest offentliga aktören på den högteknologiska marknaden - både Google och Amazon, och Microsoft, köper massivt lag och uppstart i artificiell intelligens för att göra egna utvecklingar. Men de är lite bakom Facebook, som har ett stort träningsexempel för AI-träning på bilder (datorvision är en av de mest populära AI-träningsmetoderna) och ett utmärkt FAIR-team (Facebook Artificial Intelligence Research-grupp).

Sammanfattning: Diskrimineringsnätverket lär sig att skilja riktiga foton från datorgenererade foton och nätverksgenerern tränar för att skapa realistiska fotografier som inte kan skilja sig från originalet. I den här utbildningen har båda nätverken lika stora (?) Chanser för framgång. Vad händer när de slutar sin träning?

Trendopad

Under senare år har maskininlärning bara en guldålder - den ökade kraften i datorer, snabb åtkomst till stora dataställningar gör det här området mycket varmt. Idag är AI en Ford-bil i början av förra seklet eller rymdsatelliter på 60-talet - en allmän rush, svimlande förutsägelser och en svag förståelse för vad man ska göra med all denna rikedom. Nedan följer exempel på den senaste högprofilerade tekniken inom AI.

One-shot learning är träningen av neurala nätverk på en liten mängd data, helst med ett enda exempel och ett litet prov för träning. Fler och fler startups arbetar med snabblärande AI.

Så, spelalgoritmen DeepStack upprepade inte Alpha Gos öde, men kom mycket nära framgångsrik träning i små prov. I slutet av 2016 genomförde DeepStack en serie lärande Texas pokerspel med 11 spelare från den internationella pokerorganisationen. Algoritmen tog 3000 kombinationer med varje spelare för att visa anständiga resultat - säker (i genomsnitt 396 poäng) segrar över tio spelare och en nära seger över elfte (70 poäng, statistisk noggrannhet). Algoritmen har inte bara lärt sig i spelprocessen, men använt lösningsmetoden (anpassning till varje ny spelare och varje ny kombination av kort). DeepStack är resultatet av att dela djupa rekursiva neurala nätverk och GAN.

Microsoft ResNet neurala nätverksprojekt används för bildigenkänning. Om du tar bilder av det neurala nätverket och sorterar och känner igen bilder får du dessa bilder:

Perspektivriktning i rättsmedicin och fotografering, ansiktsåldrande med GANs - ett par diskriminatorgeneratorer efter ett träningspass på 5000 fotografier av mänskliga ansikten i olika åldrar kan reproducera, förutse förändringar av individer med ålder. Om generatorn reproducerar en åldrad person bestämmer diskriminatorn hur mycket resultatet matchar originalet.

King of Goldman Sachs-handlare ersatte några av sina handlare med algoritmer. Platsen för 600 vanliga handlare är nu upptagen av 200 utvecklare och ingenjörer som stöder handelsalgoritmer. Detta är förknippat med en stor (146 poäng) bankhanteringsplan för automatisering av enkla mäklaroperationer. Handlare med stor erfarenhet och erfarna säljare kommer inte att påverkas av detta.

Även om det i vissa hedgefonder (Sentient Technologies inc., Numerai, Emma hedge fund), AI-baserade handelsalgoritmer redan gör allt arbete med analys och prognosresultat. Typiskt är specialister i AI inte entusiastiska över att arbeta för finansiella företag, men fördelarna med stora dataset och möjligheter till utbildning AI överväger skepticism och ovillighet att arbeta för kapitalistiska Molochs. 2016 var födelseåret av flera hedgefonder på en gång, där artificiell intelligens handlas.

Kinesiska tvilling "Google" Baidu sover inte heller. De flesta kinesiska utvecklingen inom AI, maskininlärning distribueras kostnadsfritt och vem som helst kan testa och studera dem. I januari 2017 öppnade ett konstgjort verklighetslaboratorium i Peking, där Andrew Eun vill göra vänner med virtuell verklighet och sökmotorns arbete.

En annan lovande utveckling av Baidu är den medicinska boten Melody, som kan genomföra en primär patientundersökning och hotar att ersätta hela registreringsavdelningen i polykliniker.

Demokratisering av AI - Forskare behöver idag stora mängder information och datakraft, så nu är det bara stora företag och forskningsinstitut som är konkurrenskraftiga inom AI. Så snart AI-modeller visas som kan studera på små mängder information kommer det att bli ännu mer intressant, eftersom ännu fler människor kan träna och utforska AI. Kanske kommer det att finnas sociala nätverk (redan) där människor kan dela framsteg när de utbildar sina AI-agenter.

Distributionen kommer att få mekanismer för automatisk upptäckt av falska nyheter, foton, videor. Utvecklingen av IBR (bildbaserad rendering), en teknik som tillåter att dra nya ramar baserat på befintliga (något som liknar metoder som redan implementerats i mellanliggande eller rörelseinterpolering) kräver helt enkelt utseendet på en sådan falsk analysator.

En annan hej från fraternal China är utvecklingen av Face ++ ansiktsigenkänning, vilket gör att du kan betala med ditt ansikte (det är svårt att räkna hur många lager det finns i denna ordlista). Test av utvecklingen baseras på Alipays mobila betalningssystem: nu kan du betala genom att bara ge ditt eget ansikte.

När det gäller taligenkänning och reproduktion är flera fall av intresse: Adobe Voco (Voice Conversion) -presentation "Photoshop for voice" - en applikation för Adobe Audition som manipulerar det ursprungliga urvalet av mänskligt tal, lägger till nya ord och meningar i det ursprungliga meddelandet. Nu tar ventriloquization nya betydelser.

Ett bra exempel på hur en oberoende forskare kan lära sig AI-språk är:

Programmet lär engelska:

Programmet lär ut japanska:

Och vad händer om du lämnar AI obevakad? Han kommer att självstudiera utan att stoppa och bli mer och mer perfekt, till exempel i musik:

Algoritmisk mashup eller konstgjord Stravinsky

I stället för slutsatser: när jag hör att ungdomar med en MBA-examen gör AI startups, når min hand för musen. Om vi ​​överväger hur mycket fri mjukvara och kraftfulla datorer som är tillgängliga för vanliga människor idag, ska mode på AI inte vara överraskande. Trots HYIP kring artificiell intelligens och maskininlärning, fantastiska förutsägelser och barnsliga tricks som Rocket AI, trots alla framsteg inom detta område, kan AI knappt kallas intelligens i den exakta definitionen av detta ord ("människor, människor överallt" - allt arbetar med utveckling och stöd Konstgjord intelligens utförs nu av människor, AI kan inte ens namnge sig, det säger bara vad forskare har investerat i det). De flesta av de tjänster som fungerar på grundval av artificiell intelligens stöds fortfarande av utvecklare, vi kan bara prata om en mycket liten del av automatiseringen av intelligenta maskiner. Hittills upprepar och reproducerar kunglig intelligens och reproducerar pedagogisk eller arbetsinformation - ja det förundras med datakraft och lärandehastighet, men det handlar om det. Det är för tidigt att prata om något som liknar en högre nervös aktivitet hos människor. "Ja, och inte nödvändigtvis," Larry Niven * skulle säga.

Uppdatering 02.23.17: Facebook släppte profetenprojektet, ett automatiskt prognosverktyg. Profeten använder icke-parametern regressionsanalysmodeller för dess förutsägelser.

Baserat på podcasten med Ian Goodfellow och Richard Mallah.

* "Det finns tankar som tänker annorlunda." 15: e Nivens lag *. - "Det finns tankar som tycker på samma sätt som dig. Endast på ett annat sätt." 15 Nivens lag.

Loading...

Lämna Din Kommentar