Innehållsförteckning:
- Deep Learning bygger för mycket på data
- Djupt lärande är inte flexibelt
- Deep Learning är ogenomskinlig
- Djupt lärande kan överhyped
Video: JAG KAN INTE SOVA HJÄLP! *Hjälper er med kompisproblem* (September 2024)
2012 gjorde en grupp forskare från University of Toronto ett genombrott för bildklassificering.
På ImageNet, en årlig tävling av artificiell intelligens (AI) där tävlande strävar efter att skapa den mest exakta algoritmen för bildklassificering, debuterade Toronto-teamet AlexNet, "som slog fältet med en enorm marginal på 10, 8 procentenheter… 41 procent bättre än den näst bästa, "enligt Quartz.
Många har berömt djup inlärning och dess superset, maskininlärning, som vår tids allmänna teknik och djupare än el och eld. Andra varnar emellertid att djup inlärning så småningom kommer att bäst människor vid varje uppgift och bli den ultimata arbetsdödaren. Och explosionen av applikationer och tjänster som drivs av djup inlärning har gjort en rädsla för en AI-apokalyps där superintelligenta datorer erövrar planeten och driver människor till slaveri eller utrotning.
Men trots hype, har djup inlärning några brister som kan förhindra den från att förverkliga några av sina löften - både positiva och negativa.
Deep Learning bygger för mycket på data
Djupt lärande och djupa neurala nätverk, som utgör dess underliggande struktur, jämförs ofta med den mänskliga hjärnan. Men våra sinnen kan lära sig begrepp och fatta beslut med mycket lite data; djup inlärning kräver massor av prover för att utföra den enklaste uppgiften.
Kärnan är djup inlärning en komplex teknik som kartlägger input till output genom att hitta vanliga mönster i märkta data och använda kunskapen för att kategorisera andra dataprover. Ge till exempel en djupinlärningsapplikation tillräckligt med bilder av katter, och det kommer att kunna upptäcka om ett foto innehåller en katt. På samma sätt, när en djupinlärningsalgoritm tar in tillräckligt med ljudprover av olika ord och fraser, kan den känna igen och transkribera tal.
Men den här metoden är effektiv endast när du har mycket kvalitetsdata för att mata dina algoritmer. Annars kan djupinlärningsalgoritmer göra vilda misstag (som att missa en gevär för en helikopter). När deras data inte är inkluderande och olika har djupinlärningsalgoritmer till och med visat rasistiskt och sexistiskt beteende.
Förtroende för data orsakar också ett centraliseringsproblem. Eftersom de har tillgång till stora mängder data, är företag som Google och Amazon i en bättre position att utveckla mycket effektiva djupinlärningsprogram än nystartade företag med färre resurser. Centraliseringen av AI i några få företag skulle kunna hämma innovationen och ge dessa företag för mycket sväng över sina användare.
Djupt lärande är inte flexibelt
Människor kan lära sig abstrakta begrepp och tillämpa dem i olika situationer. Vi gör det hela tiden. Till exempel, när du spelar ett datorspel som Mario Bros för första gången, kan du omedelbart använda verklig kunskap - till exempel behovet av att hoppa över gropar eller undvika eldiga bollar. Därefter kan du tillämpa din kunskap om spelet på andra versioner av Mario, som Super Mario Odyssey, eller andra spel med liknande mekanik, som Donkey Kong Country och Crash Bandicoot.
AI-applikationer måste dock lära sig allt från grunden. En titt på hur en djupinlärningsalgoritm lär sig att spela Mario visar hur olika en AI: s inlärningsprocess är från människors. Det börjar i princip veta ingenting om sin miljö och lär sig gradvis interagera med de olika elementen. Men kunskapen som den får från att spela Mario tjänar endast den smala domänen för det enda spelet och kan inte överföras till andra spel, till och med andra Mario-spel.
Denna brist på begreppsmässig och abstrakt förståelse håller djupinlärningsapplikationer fokuserade på begränsade uppgifter och förhindrar utveckling av allmän konstgjord intelligens, den typ av AI som kan fatta intellektuella beslut som människor gör. Det är inte nödvändigtvis en svaghet; vissa experter hävdar att det är ett meningslöst mål att skapa allmän AI. Men det är verkligen en begränsning jämfört med den mänskliga hjärnan.
Deep Learning är ogenomskinlig
Till skillnad från traditionell programvara, för vilken programmerare definierar reglerna, skapar djupinlärningsprogram sina egna regler genom att bearbeta och analysera testdata. Följaktligen vet ingen riktigt hur de når slutsatser och beslut. Till och med utvecklarna av djupinlärningsalgoritmer befinner sig ofta förvirrade av resultaten från deras skapelser.
Denna brist på transparens kan vara ett stort hinder för AI och djup inlärning, eftersom tekniken försöker hitta sin plats inom känsliga områden som patientbehandling, brottsbekämpning och självkörande bilar. Djupinlärningsalgoritmer kan vara mindre benägna att göra fel än människor, men när de gör misstag bör orsakerna bakom dessa misstag vara förklarbara. Om vi inte förstår hur våra AI-applikationer fungerar, kan vi inte lita på dem med kritiska uppgifter.
Djupt lärande kan överhyped
Djupt lärande har redan bevisat sitt värde på många områden och kommer att fortsätta att förändra vårt sätt att göra saker. Trots dess brister och begränsningar har djup inlärning inte misslyckats oss. Men vi måste justera våra förväntningar.
Som AI-forskare Gary Marcus varnar, kan överhypning av tekniken leda till en annan "AI-vinter" - en period då alltför höga förväntningar och underprestanda leder till allmän besvikelse och brist på intresse.
Marcus föreslår att djup inlärning inte är "ett universellt lösningsmedel utan ett verktyg bland många", vilket innebär att även om vi fortsätter att utforska möjligheterna som djup inlärning ger, bör vi också titta på andra, fundamentalt olika sätt att skapa AI-applikationer.
Till och med professor Geoffrey Hinton, som var banbrytande på det arbete som ledde till den djupa inlärningsrevolutionen, tror att helt nya metoder troligen måste uppfinnas. "Framtiden beror på en doktorand som är djupt misstänksam över allt jag har sagt, " sa han till Axios.
