4 grunner til ikke å frykte dyp læring (ennå) | ben dickson

I 2012 gjorde en gruppe forskere fra University of Toronto et gjennombrudd for bildeklassifisering.

På ImageNet, en årlig kunstig intelligens (AI) -konkurranse der deltakerne kappes om å lage den mest nøyaktige algoritmen for bildeklassifisering, debuterte Toronto-teamet AlexNet, "som slo feltet med en heidundrende margin på 10, 8 prosentpoeng… 41 prosent bedre enn den nest beste, "ifølge Quartz.

Dyp læring, metoden brukt av teamet, var en radikal forbedring i forhold til tidligere tilnærminger til AI og innledet en ny æra av innovasjon. Siden har den funnet veien til utdanning, helsevesen, cybersecurity, brettspill og oversettelse, og har hentet milliarder av dollar i Silicon Valley-investeringer.

Mange har berømmet dyp læring og dets supersett, maskinlæring, som den generelle teknologien i vår tid og mer dypgående enn strøm og brann. Andre advarer imidlertid om at dyp læring på sikt vil best mennesker på alle oppgaver og bli den ultimate jobben morderen. Og eksplosjonen av applikasjoner og tjenester drevet av dyp læring har reignited frykt for en AI apokalypse, der superintelligente datamaskiner erobrer planeten og driver mennesker til slaveri eller utryddelse.

Men til tross for hypen, har dyp læring noen feil som kan forhindre at den innser noe av løftet sitt - både positivt og negativt.

Deep Learning stoler for mye på data

Dyp læring og dype nevrale nettverk, som utgjør dens underliggende struktur, blir ofte sammenlignet med den menneskelige hjernen. Men tankene våre kan lære konsepter og ta beslutninger med veldig lite data; dyp læring krever mange prøver for å utføre den enkleste oppgaven.

I kjernen er dyp læring en kompleks teknikk som kartlegger innspill til utganger ved å finne vanlige mønstre i merkede data og bruke kunnskapen til å kategorisere andre dataprøver. Gi for eksempel et dypt lærende program nok bilder av katter, og det vil være i stand til å oppdage om et bilde inneholder en katt. På samme måte, når en dybdelæringsalgoritme tar inn nok lydprøver av forskjellige ord og uttrykk, kan den gjenkjenne og transkribere tale.

Men denne tilnærmingen er effektiv bare når du har mye kvalitetsdata for å mate algoritmene dine. Ellers kan dybdelæringsalgoritmer gjøre ville feil (som å ta feil av en rifle for et helikopter). Når dataene deres ikke er inkluderende og mangfoldige, har dybdelæringsalgoritmer til og med vist rasistisk og sexistisk oppførsel.

Avhengighet av data forårsaker også et sentraliseringsproblem. Fordi de har tilgang til enorme datamengder, er selskaper som Google og Amazon i en bedre posisjon til å utvikle svært effektive dybdelæringsapplikasjoner enn oppstarter med færre ressurser. Sentraliseringen av AI i noen få selskaper kan hemme innovasjon og gi disse selskapene for mye svai over brukerne.

Dyp læring er ikke fleksibel

Mennesker kan lære abstrakte begreper og anvende dem i en rekke situasjoner. Vi gjør dette hele tiden. Når du for eksempel spiller et dataspill som Mario Bros. for første gang, kan du øyeblikkelig bruke kunnskap fra den virkelige verden - for eksempel behovet for å hoppe over groper eller smette unna brennende baller. Du kan deretter bruke kunnskapen din om spillet på andre versjoner av Mario, som Super Mario Odyssey, eller andre spill med lignende mekanikk, for eksempel Donkey Kong Country og Crash Bandicoot.

AI-applikasjoner må imidlertid lære alt fra grunnen av. En titt på hvordan en dybdelæringsalgoritme lærer å spille Mario, viser hvor forskjellig en AIs læringsprosess er fra mennesker. Den begynner i grunn ikke å vite noe om omgivelsene og lærer gradvis å samhandle med de forskjellige elementene. Men kunnskapen den får fra å spille Mario, tjener bare det smale domenet til det ene spillet og kan ikke overføres til andre spill, til og med andre Mario-spill.

Denne mangelen på konseptuell og abstrakt forståelse holder dyptlærende applikasjoner fokusert på begrensede oppgaver og forhindrer utvikling av generell kunstig intelligens, den typen AI som kan ta intellektuelle beslutninger som mennesker gjør. Det er ikke nødvendigvis en svakhet; noen eksperter hevder at det å lage generell AI er et meningsløst mål. Men det er absolutt en begrensning sammenlignet med den menneskelige hjernen.

Dyp læring er ugjennomsiktig

I motsetning til tradisjonell programvare, som programmerere definerer reglene for, lager dybdelæringsapplikasjoner sine egne regler ved å behandle og analysere testdata. Derfor vet ingen egentlig hvordan de når konklusjoner og beslutninger. Selv utviklerne av dybdelæringsalgoritmer finner seg ofte forvirret av resultatene fra deres kreasjoner.

Denne mangelen på åpenhet kan være et viktig hinder for AI og dyp læring, ettersom teknologien prøver å finne sin plass i følsomme domener som pasientbehandling, rettshåndhevelse og selvkjørende biler. Dybdelæringsalgoritmer er kanskje mindre utsatt for å gjøre feil enn mennesker, men når de gjør feil, bør grunnene bak disse feilene være forklarbare. Hvis vi ikke kan forstå hvordan AI-applikasjonene våre fungerer, vil vi ikke kunne stole på dem med kritiske oppgaver.

Dyp læring kan bli overhypert

Dyp læring har allerede bevist sin verdi på mange felt og vil fortsette å forandre måten vi gjør ting på. Til tross for dets feil og begrensninger, har dyp læring ikke sviktet oss. Men vi må justere forventningene våre.

Som AI-stipendiat Gary Marcus advarer, kan overhyping av teknologien føre til nok en "AI-vinter" - en periode der altfor høye forventninger og underprestasjoner fører til generell skuffelse og manglende interesse.

Marcus antyder at dyp læring ikke er "et universelt løsemiddel, men et verktøy blant mange, " som betyr at mens vi fortsetter å utforske mulighetene som dyp læring gir, bør vi også se på andre, fundamentalt forskjellige tilnærminger til å lage AI-applikasjoner.

Til og med professor Geoffrey Hinton, som var banebrytende for arbeidet som førte til den dype læringsrevolusjonen, mener at helt nye metoder trolig vil måtte oppfinnes. "Fremtiden avhenger av en doktorgradsstudent som er dypt mistenksom overfor alt jeg har sagt, " sa han til Axios.