Что такое машинное обучение?

В декабре 2017 года DeepMind, исследовательская лаборатория, приобретенная Google в 2014 году, представила AlphaZero, программу искусственного интеллекта, которая может победить чемпионов мира в нескольких настольных играх.

Интересно, что AlphaZero получил нулевые инструкции от людей о том, как играть в игры (отсюда и название). Вместо этого он использовал машинное обучение, ветвь ИИ, которая развивает свое поведение на основе опыта вместо явных команд.

В течение 24 часов AlphaZero добились сверхчеловеческого выступления в шахматах и ​​победили в предыдущей программе чемпионатов мира по шахматам. Вскоре после этого алгоритм машинного обучения AlphaZero также освоил сёги (японские шахматы) и китайскую настольную игру Go, и он победил своего предшественника AlphaGo со 100 до нуля.

В последние годы машинное обучение стало популярным и помогает компьютерам решать проблемы, которые ранее считались исключительной областью человеческого интеллекта. И хотя это все еще далеко от первоначального видения искусственного интеллекта, машинное обучение приблизило нас к конечной цели создания мыслящих машин.

В чем разница между искусственным интеллектом и машинным обучением?

Традиционные подходы к развитию искусственного интеллекта предусматривают тщательное кодирование всех правил и знаний, которые определяют поведение агента ИИ. При создании ИИ на основе правил разработчики должны написать инструкции, которые определяют, как ИИ должен вести себя в ответ на каждую возможную ситуацию. Этот основанный на правилах подход, также известный как старый добрый ИИ (GOFAI) или символический ИИ, пытается имитировать функции мышления и представления знаний человеческого разума.

Прекрасным примером символического ИИ является Stockfish, шахматный движок с открытым исходным кодом, созданный более 10 лет назад. Сотни программистов и шахматистов внесли свой вклад в Stockfish и помогли развить его логику, кодируя его правила - например, что должен делать ИИ, когда противник переводит своего коня с B1 на C3.

Но ИИ на основе правил часто ломается, когда имеешь дело с ситуациями, когда правила слишком сложны и неявны. Например, распознавание речи и объектов в изображениях - это сложные операции, которые нельзя выразить в логических правилах.

В отличие от символического ИИ, модели ИИ машинного обучения разрабатываются не путем написания правил, а путем сбора примеров. Например, чтобы создать шахматный движок, основанный на машинном обучении, разработчик создает базовый алгоритм, а затем «обучает» его данным из тысяч ранее сыгранных шахматных игр. Анализируя данные, ИИ находит общие модели, определяющие выигрышные стратегии, которые он может использовать для победы над реальными противниками.

Чем больше игр ИИ рассматривает, тем лучше становится предсказание выигрышных ходов во время игры. Вот почему машинное обучение определяется как программа, производительность которой улучшается с опытом.

Машинное обучение применимо ко многим реальным задачам, включая классификацию изображений, распознавание голоса, рекомендации по содержанию, обнаружение мошенничества и обработку естественного языка.

Обучение под наблюдением и без присмотра

В зависимости от проблемы, которую они хотят решить, разработчики готовят соответствующие данные для построения своей модели машинного обучения. Например, если они хотят использовать машинное обучение для обнаружения мошеннических банковских операций, разработчики должны составить список существующих транзакций и пометить их с результатами (мошенническими или действительными). Когда они подают данные в алгоритм, он разделяет мошеннические и допустимые транзакции и находит общие характеристики в каждом из двух классов. Процесс обучения моделей с аннотированными данными называется «контролируемым обучением» и в настоящее время является доминирующей формой машинного обучения.

Многие онлайн-хранилища помеченных данных для различных задач уже существуют. Некоторыми популярными примерами являются ImageNet, набор данных с открытым исходным кодом, содержащий более 14 миллионов помеченных изображений, и MNIST, набор данных из 60 000 помеченных от руки цифр. Разработчики машинного обучения также используют такие платформы, как Amazon Mechanical Turk, онлайновый центр найма по требованию, для выполнения когнитивных задач, таких как маркировка изображений и аудиосэмплов. И растущий сектор стартапов специализируется на аннотации данных.

Но не все проблемы требуют помеченных данных. Некоторые проблемы машинного обучения можно решить с помощью «обучения без присмотра», когда вы предоставляете модели ИИ необработанные данные и позволяете ей определить, какие шаблоны актуальны.

Обычное использование обучения без присмотра - обнаружение аномалий. Например, алгоритм машинного обучения может обучаться на необработанных данных сетевого трафика устройства, подключенного к Интернету, например, интеллектуального холодильника. После обучения ИИ устанавливает базовую линию для устройства и может помечать поведение выброса. Если устройство заражается вредоносным ПО и начинает обмениваться данными со вредоносными серверами, модель машинного обучения сможет его обнаружить, поскольку сетевой трафик отличается от обычного поведения, наблюдаемого во время обучения.

Усиление обучения

К настоящему времени вы, вероятно, знаете, что качественные данные обучения играют огромную роль в эффективности моделей машинного обучения. Но обучение с подкреплением - это специализированный тип машинного обучения, в котором ИИ развивает свое поведение без использования предыдущих данных.

Модели обучения усилению начинаются с чистого листа. Они проинструктированы только об основных правилах своего окружения и поставленной задаче. Методом проб и ошибок они учатся оптимизировать свои действия для достижения своих целей.

AlphaZero DeepMind является интересным примером обучения подкреплению. В отличие от других моделей машинного обучения, которые должны видеть, как люди играют в шахматы и учиться у них, AlphaZero начал понимать только ходы фигур и условия победы в игре. После этого он сыграл миллионы матчей против себя, начиная со случайных действий и постепенно развивая поведенческие паттерны.

Укрепление обучения является горячей областью исследований. Это основная технология, используемая для разработки моделей искусственного интеллекта, которые могут справляться со сложными играми, такими как Dota 2 и StarCraft 2, а также для решения реальных задач, таких как управление ресурсами центра обработки данных и создание роботизированных рук, способных обрабатывать объекты с ловкостью человека.,

Глубокое обучение

Глубокое обучение является еще одним популярным подмножеством машинного обучения. Он использует искусственные нейронные сети, программные конструкции, которые примерно основаны на биологической структуре человеческого мозга.

Нейронные сети превосходно справляются с обработкой неструктурированных данных, таких как изображения, видео, аудио и длинные фрагменты текста, такие как статьи и исследовательские работы. Перед глубоким обучением специалисты по машинному обучению должны были приложить немало усилий для извлечения функций из изображений и видео и использовать свои алгоритмы в дополнение к этому. Нейронные сети автоматически обнаруживают эти функции, не требуя больших усилий со стороны человеческих инженеров.

Глубокое обучение стоит за многими современными технологиями искусственного интеллекта, такими как автомобили без водителя, передовые системы перевода и технология распознавания лиц в вашем iPhone X.

Пределы машинного обучения

Люди часто путают машинное обучение с искусственным интеллектом на уровне человека, и отделы маркетинга некоторых компаний намеренно используют термины взаимозаменяемо. Но хотя машинное обучение добилось больших успехов в решении сложных проблем, оно все еще очень далеко от создания мыслительных машин, предусмотренных пионерами ИИ.

В дополнение к обучению на собственном опыте истинный интеллект требует рассуждений, здравого смысла и абстрактного мышления - областей, в которых модели машинного обучения работают очень плохо.

Например, хотя машинное обучение хорошо справляется со сложными задачами распознавания образов, такими как прогнозирование рака молочной железы за пять лет, оно борется с более простыми задачами логики и логического мышления, такими как решение математических задач в средней школе.

Недостаток умственных способностей в машинном обучении делает невозможным обобщение его знаний. Например, агент по машинному обучению, который может играть в Super Mario 3 как профессионал, не будет доминировать в другой платформенной игре, такой как Mega Man, или даже в другой версии Super Mario. Это должно быть обучено с нуля.

Без способности извлекать концептуальные знания из опыта, модели машинного обучения требуют тонны обучающих данных для выполнения. К сожалению, многие домены не имеют достаточных данных для обучения или не имеют средств, чтобы получить больше. Глубокое обучение, которое в настоящее время является распространенной формой машинного обучения, также страдает проблемой объяснимости: нейронные сети работают сложным образом, и даже их создатели изо всех сил пытаются следовать своим процессам принятия решений. Это затрудняет использование возможностей нейронных сетей в условиях, где существует законное требование объяснять решения AI.

К счастью, предпринимаются усилия по преодолению ограничений машинного обучения. Одним из ярких примеров является широко распространенная инициатива DARPA, исследовательского подразделения Министерства обороны, по созданию объяснимых моделей искусственного интеллекта.

• Что такое искусственный интеллект (ИИ)? Что такое искусственный интеллект (ИИ)?
• Большинство долларов ИИ идут на машинное обучение Большинство долларов ИИ идут на машинное обучение
• Как вы хотите увидеть AI используется? Как вы хотите увидеть AI используется?

Другие проекты направлены на то, чтобы уменьшить чрезмерную зависимость машинного обучения от аннотированных данных и сделать технологию доступной для областей с ограниченными данными обучения. Исследователи из IBM и MIT недавно проникли в сферу, комбинируя символический ИИ с нейронными сетями. Гибридные модели искусственного интеллекта требуют меньше данных для обучения и могут предоставить пошаговые объяснения своих решений.

Будет ли эволюция машинного обучения в конечном итоге помочь нам достичь вечной цели создания ИИ на уровне человека, еще неизвестно. Но мы точно знаем, что благодаря достижениям в машинном обучении устройства, сидящие на наших столах и отдыхающие в наших карманах, становятся умнее с каждым днем.