Gervigreind: Munurinn á vélanámi og djúpt námi

Gervigreind, eða AI, hefur orðið svo mikilvægur og órjúfanlegur hluti af nútímasamfélagi okkar. Samkvæmt Forbes, jafnvel svo langt aftur sem fyrir tveimur árum árið 2017, innleiða 51% nútíma fyrirtækja nú þegar AI, þar sem iðnaðurinn sjálfur er metinn á $ 16 milljarða USD. Gert er ráð fyrir að þetta muni vaxa frekar og ná allt að 190 milljörðum dala árið 2025.

Tvær af áhrifamestu tegundum AI í dag eru vélanám og djúpt námskerfi. En hvað eru þessi tvö nákvæmlega? Og hvað það varðar, hvernig skilgreinum við gervigreind í samhengi þessara tveggja?

Hvað er gervigreind?

Opinber innganga Oxford Dictionary árið 2019 segir að gervigreind sé „kenning og þróun tölvukerfa sem geta sinnt verkefnum sem venjulega krefjast mannlegrar upplýsingaöflunar.“

Með öðrum orðum, AI túlkar upplýsingar á svipaðan hátt og þú og ég, hvort sem það þarf til myndgreiningar, talgreiningar eða einhvers annars sjálfvirks ákvarðanatökukerfis. Eitt mjög einfalt dæmi um AI er tölvuleikur andstæðingur tölvuleikja. Það notar gögn frá leiknum, svo og inntak frá spilaranum, til þess að búa til röð ákvarðana og verkefna til að koma leikmanninum til greina. AI hefur verið kynnt strax á sjötta áratugnum, en það byrjaði aðeins að taka á lofti á áttunda og níunda áratugnum, þegar einkatölvur og leikjatölvur fóru að gera þróun AI grunnskilyrði fyrir rekstur þess.

Önnur dæmi um AI í daglegu lífi okkar gætu verið:

  1. Hermar
  2. Snjalltæki
  3. Hlutabréf í kauphöll
  4. Gagnaþekking (tal, rödd, andlit osfrv.)

Í dag eru mörg AI-kerfi notuð í næstum því hvaða forrit sem er þar sem gögn eru notuð, svo sem stjórnunarhugbúnaður, ráðgefandi reiknirit, greining fjölmiðla eða jafnvel raddaðstoðarmenn. Reyndar, jafnvel einföld rekjaforrit nota nú AI. Sem þumalputtaregla, ef það er tiltölulega flókið verkferli sem þarf að framkvæma reglulega án beinna manna íhlutunar, þá hefði líklegast AI í það.

Hvað er vélinám?

Vélarnám er tegund gervigreindar (og þar af leiðandi hluti þess) sem sérhæfir sig í að flokka og greina gefin gögn til að aðlagast þeim og taka nægilega greindar ákvarðanir. Satt best að segja er þetta AI gert til að fylgjast með og taka eftir miklu hlutum og taka síðan eitt eða fleiri námskeið sem byggjast á upplýsingum sem það fékk.

Dæmigert vélanámsverkefni í dag gætu haft:

  1. Tilmæli um krækjur
  2. Stjórnsemi efnis
  3. Leitarniðurstöður birtast
  4. Leiðsögn um tímalínur (á samfélagsmiðlum)

Vélanámskerfi er fær um að greina gríðarlegt magn gagna á stuttum tíma, skapa lausnir eða ályktanir út frá því. Það hámarkar reiknirit sitt til að gefa nákvæmar túlkanir, miklu meira en það sem menn geta gert með sömu tímaþröng. Til dæmis viljum við sjálfkrafa ákvarða hvort ákveðinn tölvupóstur sé ruslpóstur eða ekki. Vélanámskerfi mun sigta í gegnum þúsundir og þúsundir tölvupósta til að finna munstur sem myndi hjálpa því að ákvarða ruslpóst. Það myndi þá gefa grófa flokkun á annað hvort ruslpósti og venjulegum tölvupósti, gögnin sem það myndi nota enn og aftur til að finna enn fleiri mynstrin sem myndu hjálpa því að betrumbæta greininguna enn frekar.

Þegar gefin voru nýrri og nýrri gagnagögn gætu vélanámskerfi lagað og uppfært reiknirit til að verða enn betri í því sem það gerir. Eða í það minnsta, lágmarka líkurnar á mistökum. Þetta er það sem gerir vélanám mjög mikilvægt á okkar núverandi gagnatímum.

Hvað er djúpt nám?

Djúpt nám er enn og aftur annar hlutmengi, að þessu sinni vélanám. Grunnhönnun djúps námskerfa er byggð á lífrænum heila. Meðan við myndum nýjar minningar með flóknum vef af taugamynstri, vefur þessi tegund kerfis sinnar eigin flóknu vef ákvarðana með því að nota gervi taugakerfi, sem samanstendur af óteljandi reikniritum.

Nokkur nokkuð áberandi djúpt námskerfi eru:

  1. Watson (sigraði keppendur á Jeopardy!)
  2. AlphaGo (sigraði atvinnumanninn Go leikmaðurinn Lee Sedol í mars 2016)
  3. Deepfake (mynda ógeðslega raunsæ en tilbúna framsetning raunverulegs fólks)
  4. OpenAI Five (leikjadjúpt verkefni, sigraði DOTA leikmaður Dendi síðastliðið 2017)

Ólíkt stöðluðum vélanámskerfum, sem geta enn staðið sig ágætlega, jafnvel miðað við tiltölulega grunngagnasöfn, myndi bókstafsnámskerfi bókstaflega byrja frá grunni. Það einkennist af ‘haltingartímabilinu’ þar sem fyrstu kynslóðir AI þess fóru aðeins að veita raunverulegar niðurstöður eftir aðlögunartímabil frá nokkrum óteljandi misbrestum kynslóðum.

Þegar það nær nokkuð flóknu stigi skilvirkni byrja djúpt námskerfi einfaldlega að gagntaka allt annað þar á undan. AlphaGo frá DeepMind, til dæmis, byrjaði að nota upphafssett af 160.000 áhugasömum Go-leikjum áður en það lenti í því að berja atvinnumenn Go-leikmanna með því að spila milljón sinnum gegn sjálfum sér.

Djúpt námskerfi, ólíkt öðrum áður hönnuðum vélanámskerfum, treysta gríðarlega á margfeldi fylkisins til að búa til gögn. Sem slík eru viðskiptalegir vinnsluaðgerðir venjulega besti vélbúnaðurinn fyrir þessi kerfi, þar sem þau eru fær um að skila háu stigi samhliða vinnsluþörf sem þarf til að viðhalda rekstri.

Venjulegt AI og vélinám

Þó að hægt sé að nota gervigreind og vélinám jafnt og þétt í mörgum algengum forritum, er mikilvægt að hafa í huga að vélinám hefur eitt mjög sérstakt einkenni: aðlögun. Þetta þýðir að það lærir. Það kann að gera mikið af fyrstu mistökum, ólíkt fyrirfram innbyggðum AI, en það er hannað til að læra af þeim, að byggja af þeim og að lokum koma í stað alls þess sem það er hannað til að fínstilla það.

Frá hönnunarþætti öðlast vélinám einnig þann kost að hún er ekki of flókin við upphafsuppbyggingu þess. Dæmigert AI gæti þurft sérstaka erfðaskrá eða sértækar leiðbeiningar fyrir hvert ástand sem verktaki gæti hugsanlega séð fyrir. En vélanámskerfi getur einfaldlega starfað á ákvörðunartré, auk námsstaðals eða tveggja, auk nauðsynlegrar vinnslugetu og síðan lagt leið sína í að verða betri og betri í verkefni sínu.

Mikilvægi þess að aðgreina vélanámskerfi kemur frá því að við notum ennþá venjulegt, venjulegt AI slíkra kerfa við önnur minna mikilvæg verkefni og verkefni í dag. Þegar öllu er á botninn hvolft þarftu ekki endilega að læra vélarkerfi til að gera sjálfvirkari einfaldari ákvarðanir um skráastjórnun. Á sama hátt gæti það ekki verið rétt að flokka eitthvað eins fágað og talgreiningarkerfi sem „bara AI“ og þannig flokkum við það rétt.

Vélarnám og djúpt nám

Kannski er mikilvægari aðgreiningin sem við þurfum að læra munurinn á vélanámi og djúpt nám. Í fyrsta lagi, eins og áður sagði, djúpt nám IS vélanám, tæknilega ein tegund, eða undirmót þess. Vélarnám er hins vegar ekki alltaf djúpt nám. Aðgreiningin snýst að mestu leyti um það hvernig báðir eru byggðir.

Vélarnám hefur verið þróað innan sama tölvuumhverfis og margir hugbúnaður okkar síðustu áratugi. Sem slík er það á vissan hátt, línulegt, og jafnvel þó að það sé byggt til að laga sig að lögum Moore, þá er það enn takmarkað af ákvörðunartrjám og reikniritum. Djúpt nám fléttar aftur á móti öllum reikniritum sínum í taugakerfi. Það er hannað fyrir hágæða samhliða tölvuvinnslu, það sem við getum nú litið á sem næstu kynslóð í vélanámi.

Ein tiltölulega áreiðanleg leið til að ákvarða hvort verið er að nota djúpt námskerfi er að meta margbreytileika AI verkefnisins. Venjulega, því fleiri tölulegar, handahófskenndar breytur sem þarf að huga að, þeim mun líklegra er að það sé djúpt námskerfi. Til dæmis eru ráðleggingar Netflix ekki eins flóknar og þýðingar á tungumálum, jafnvel þó að þær læri af gögnum sem safnast saman frá öllu internetinu. Þessi aðgreining getur átt við um tvö svipuð verkefni, svo sem tvö aðskilin sjálfkeyrslukerfi. Sá sem treystir meira á marr skynjara gögn ætti að vera almenna vélanámskerfið, en djúpt nám er líklegast að treysta meira á mannlega sýnilegar umhverfis vísbendingar, eitthvað eins og það sem Tesla er að þróa um þessar mundir.

Óháð því hvort aðgreiningin er skýr eða ekki, það er alveg víst að djúpt nám er framtíðin. Að því er varðar okkar tilgangi er að aðgreina djúpt nám AI frá venjulegu vélanámi AI nauðsynlegur til að skilja hversu ólíkur hann er í raun og veru og hversu háþróaður það gæti verið. Þrátt fyrir að vera enn á þroskastigum í dag er það næstum því þegar sambærilegt öllu öðru sem á undan kom.

Falsi Barack Obama sem fullyrðir nokkrar stuttar setningar á jafn fölsuðum bakgrunni kann að virðast hinn venjulegi áhorfandi óþægilegur, en okkur sem nú þegar skiljum aðgreininguna, við vitum að það er bara einn af gríðarlegum möguleikum slíkrar leikjaskipta tækni .

Grand Áskorun í Víetnam

Viltu læra meira um gervigreind? Kambria er í fararbroddi í Víetnam AI Grand Challenge 2019, hackathon röð sem hefur það hlutverk að þjálfa unga AI forritara. Í samstarfi við víetnömsku ríkisstjórnina, McKinsey & Company og VietAI, mun Grand Challenge leiða saman bestu hæfileika AI landsins til að styðja fyrirtæki í Víetnam og á heimsvísu við að hanna fullkominn AI sýndaraðstoðarmann.

Hvernig á að taka þátt:
 1. Skráðu þig á Kambria pallinn: https://bounty.kambria.io/
 2. Fylgdu Facebook síðu Grand Challenge fyrir allar væntanlegar upplýsingar um viðburðinn: https://www.facebook.com/VietnamAIGC/

Laugardaginn 1. júní 2019 mun Kambria halda námskeið í Da Nang sem kallast „Create Your Own Virtual Assistant From Scratch“ til að veita þátttakendum í AI Grand Challenge Víetnam þjálfun og fræðslu. Smellið hér til að fá meiri upplýsingar um smiðjuna. Rými er takmarkað við 40 þátttakendur svo vertu viss um að skrá þig fljótlega!

Upphaflega birt í Kambria.