Această evoluție este probabil cea care l-a determinat pe tehnocratul / transumanul Ray Kurzweil de la Google să declare că Singularitatea va fi atinsă în 2029 în loc de 2045. Amintirea este un rezultat periculos dacă sunt deficienți pentru început sau, mai rău, sunt prejudiciați împotriva intrărilor care i-au creat. Pe baza „amintirilor” AI, învățarea va crește cu siguranță, dar învățarea ulterioară se va baza pe realitate sau doar pe un model de computer dorit? ⁃ Editor TN
În timp ce sistemele AI se pot potrivi multor capacități umane, acestea necesită de 10 ori mai mult pentru a învăța. Acum, copiind modul în care funcționează creierul, Google DeepMind a construit o mașină care reduce distanța.
Mașinile inteligente îi au pe oameni în vizor. Mașinile de învățare profundă au deja abilități supraomenești atunci când vine vorba de sarcini precum recunoașterea feței, jocurile video și chiar vechiul joc chinezesc Go. Așadar, este ușor să crezi că oamenii sunt deja depășiți.
Dar nu atât de repede. Mașinile inteligente rămân în continuare în urma oamenilor într-un domeniu crucial de performanță: viteza cu care învață. Când vine vorba de stăpânirea jocurilor video clasice, de exemplu, cele mai bune mașini de învățare profundă necesită aproximativ 200 de ore de joc pentru a atinge aceleași niveluri de calificare pe care oamenii le ating în doar două ore.
Așadar, informaticienilor le-ar plăcea cu drag să aibă o modalitate de a accelera viteza cu care învață mașinile.
Astăzi, Alexander Pritzel și prietenii de la filiala Google DeepMind din Londra susțin că au făcut exact asta. Acești băieți au construit o mașină de învățare profundă care este capabilă să asimileze rapid experiențe noi și apoi să acționeze după ele. Rezultatul este o mașină care învață semnificativ mai repede decât altele și are potențialul de a se potrivi cu oamenii într-un viitor nu prea îndepărtat.
În primul rând, unele fundaluri. Învățarea profundă folosește straturi de rețele neuronale pentru a căuta modele în date. Când un singur strat observă un model pe care îl recunoaște, trimite aceste informații către următorul strat, care caută modele în acest semnal și așa mai departe.
Deci, în recunoașterea feței, un strat ar putea căuta margini într-o imagine, următorul strat pentru modele circulare de margini (genul pe care îl fac ochii și gurile) și următorul pentru modele triunghiulare, cum ar fi cele realizate de doi ochi și o gură. Când toate acestea se întâmplă, ieșirea finală este un indiciu că a fost văzută o față.
Desigur, diavolul este în detalii. Există diverse sisteme de feedback pentru a permite sistemului să învețe prin ajustarea diferiților parametri interni, cum ar fi puterea conexiunilor dintre straturi. Acești parametri trebuie să se schimbe încet, deoarece o schimbare mare într-un strat poate afecta catastrofal învățarea în straturile ulterioare. De aceea, rețelele neuronale profunde au nevoie de atât de mult antrenament și de ce durează atât de mult.
Pritzel și colegii au abordat această problemă cu o tehnică pe care o numesc control episodic neuronal. „Controlul episodic neuronal demonstrează îmbunătățiri dramatice asupra vitezei de învățare pentru o gamă largă de medii”, spun ei. „În mod critic, agentul nostru este capabil să se agațeze rapid de strategiile de mare succes de îndată ce sunt experimentate, în loc să aștepte mulți pași de optimizare.”
Ideea de bază din spatele abordării DeepMind este de a copia modul în care oamenii și animalele învață rapid. Consensul general este că oamenii pot aborda situațiile în două moduri diferite. Dacă situația este familiară, creierele noastre au format deja un model al acesteia, pe care îl folosesc pentru a afla cum să se comporte cel mai bine. Aceasta folosește o parte a creierului numită cortexul prefrontal.
wpDiscuz