Практично всі алгоритми Штучного Інтелекту, про які говорять за останній час, відноситься до напряму Deep Learning (глибинне навчання). Технології з цієї категорії обробляють велику кількість даних та знаходять у них закономірності.
Як відмічають дослідники Массачусетського інституту, алгоритми глибинного навчання показують дуже хороші результати в завданнях, пов’язаних з імітацією людських навичок: наприклад, зору, слуху або мислення. Їх застосовує у своїй діяльності пошукова система Google — для формування пошукової видачі, Facebook — в новинній стрічці, Netflix — у системі рекомендацій.
«Хоча глибинне навчання і змушує людство звертати увагу на технології штучного інтелекту, але цей напрямок – лише мала частина великого поля дослідження, у якій людство намагається відтворити свій власний розум», — помічають автори.
Вся історія вивчення штучного інтелекту складається з періодів, де на перший план виходять різноманітні технології. Деякий час вони борються за увагу спільноти, потім одна все ж бере верх і перетягує всю увагу на себе. У 2011 році ніхто й не підозрював, що в цьому десятилітті на передній план вийде глибинне навчання.
Видання MIT Technology Review проаналізувало 16 625 матеріалів на масштабній відкритій платформі наукових публікацій arXiv та з’ясувало, які технології згадують в них частіше за все.
Кількість матеріалів, в яких зустрічаються словосполучення artificial intelligence, в залежності від дати публікації.
При цьому, автори зазначають, що розділ про штучний інтелект з’явиться в arXiv тільки в 1993 році (сама платформа запущена в 1991 році), але визначення «штучний інтелект» вперше використали в 1950-х роках. Тому аналіз покриває лише частину історії направлення. Крім того, на arXiv публікується інформація тільки про частину розробки вчених.
Машинне навчання
«Найважливіший прогрес, який ми побачили полягає в переході на початку 2000-х років від систем, які засновані на знаннях (knowledge-based systems), до парадигми машинного навчання. Вчені відмовились від ідеї, що для опису всіх людських знань можна використовувати заздалегідь задані правила та звернулися до великого класу алгоритмів – машинному навчанню, яке містить в собі також і глибинне навчання».
Разом з цими змінами у роботах різко знизилась кількість слів «логіка», «обмеження», «правила», «програма» (запрограмувати), а кількість слів «дані», «навчання», «мережа» та «продуктивність» – навпаки зросло.
В 1980-х роках ідея про створення в машині людського розуму набрала велику популярність, але тут же з’ясувалося наступне: щоб алгоритм міг зробити що-небудь корисне, дослідникам довелось би написати надто багато правил. Розробка була надто дорогою та довготривалою, а машинне навчання розуміє під собою те, що комп’ютер самостійно дістає потрібні правила з великої бази даних.
Популярність нейронних мереж
Нейронні мережі – це основний механізм глибинного навчання, підмічає MIT Technology Review, проте вони не одразу завоювали популярність. Вчені протестували цілий ряд інших методів та моделей: бейесовскі мережі, метод опорних векторів, еволюційні алгоритми та ін.
Всі ці методи боролися за популярність, поки у 2012 році дослідники з Університету Торонто під керівництвом Джеффрі Хінтона (Geoffrey Hinton) не показали алгоритм, заснований на глибинному навчанні, який розпізнав зображення краще, ніж всі відомі до того методи.
Навчання з підмогою
Остання віха, яку знайшли дослідники з Массачуссетського інституту, пов’язана з підвищеною цікавістю до методів навчання з підмогою.
Ідея навчання машини за допомогою умовних нагород та покарання, як тварин, не нова й реалізувати її досить довго не виходило. Але у 2015 році команда DeepMind продемонструвала алгоритм AlphaGo, який був навчений за допомогою методу підмоги та він зміг перемогти чемпіона по грі Го. Це навчання отримало свій ефект.
Що далі?
«Головне, що показує наше дослідження – це непостійна думка вчених у їх бажанні відновити розум. Поки що ніхто не знає яким чином насправді можна вирішити цю задачу» – пише MIT Technology Review.
Популярні технології змінюються кожне десятиліття. Наступне десятиліття, вважають автори, не буде виключенням: це означає, що ера глибинного навчання наближається до логічного завершення. Правда, поки що не зрозуміло, які алгоритми займуть їх місце – абсолютно нові, або які вже були досліджені.
БІЛЬШЕ ЦІКАВОГО:
- Машинне навчання розпізнає депресивний стан під час сканування мозку
- Алгоритми машинного навчання: гордість і упередження
- 8 шляхів, як машинне навчання вдосконалить робочі процеси компаній
Джерело: MIT Technology Review