Vad är maskininlärning?

I december 2017 introducerade DeepMind, forskningslaboratoriet som Google förvärvade 2014, AlphaZero, ett konstgjord intelligensprogram som kunde besegra världsmästare vid flera brädspel.

Intressant nog fick AlphaZero nollinstruktioner från människor om hur man spelar spelen (därav namnet). Istället använde den maskininlärning, en gren av AI som utvecklar sitt beteende genom erfarenhet istället för uttryckliga kommandon.

Inom 24 timmar uppnådde AlphaZero supermänskliga prestationer i schack och besegrade det tidigare schackprogrammet för världsmästaren. Strax efter behärskade AlphaZeros maskininlärningsalgoritm också Shogi (japansk schack) och det kinesiska brädspelet Go, och det besegrade sin föregångare, AlphaGo, 100 till noll.

Maskininlärning har blivit populärt de senaste åren och hjälper datorer att lösa problem som tidigare trott vara den exklusiva domänen för mänsklig intelligens. Och även om det fortfarande är ett långt skott från den ursprungliga visionen om konstgjord intelligens, har maskininlärning fått oss mycket närmare det slutliga målet att skapa tänkande maskiner.

Vad är skillnaden mellan artificiell intelligens och maskininlärning?

Traditionella tillvägagångssätt för att utveckla konstgjord intelligens involverar noggrant kodning av alla regler och kunskap som definierar en AI-agenters beteende. Vid skapande av regelbaserad AI måste utvecklare skriva instruktioner som anger hur AI ska agera som svar på alla möjliga situationer. Denna regelbaserade strategi, även känd som god gammaldags AI (GOFAI) eller symbolisk AI, försöker efterlikna mänskliga sinnets resonemang och kunskapsrepresentationsfunktioner.

Ett perfekt exempel på symbolisk AI är Stockfish, en toppmässig schackmotor med öppen källkod som är mer än tio år i produktion. Hundratals programmerare och schackspelare har bidragit till Stockfish och hjälpt till att utveckla sin logik genom att koda dess regler - till exempel vad AI ska göra när motståndaren flyttar sin riddare från B1 till C3.

Men regelbaserad AI bryts ofta när man hanterar situationer där reglerna är för komplicerade och implicita. Att känna igen tal och objekt i bilder är till exempel avancerade operationer som inte kan uttryckas i logiska regler.

Till skillnad från symboliska AI utvecklas maskinlärande AI-modeller inte genom att skriva regler utan genom att samla exempel. För att skapa en maskininlärningsbaserad schackmotor skapar en utvecklare en basalgoritm och "tränar" den sedan med data från tusentals tidigare spelade schackspel. Genom att analysera uppgifterna hittar AI vanliga mönster som definierar vinnstrategier, som den kan använda för att besegra riktiga motståndare.

Ju fler spel AI granskar, desto bättre blir det att förutsäga vinnande drag under spelet. Därför definieras maskininlärning som ett program vars prestanda förbättras med erfarenheten.

Maskininlärning är tillämplig på många verkliga uppgifter, inklusive bildklassificering, röstigenkänning, innehållsrekommendation, bedrägeri och naturligt språkbehandling.

Övervakat och oövervakat lärande

Beroende på problemet de vill lösa förbereder utvecklare relevant data för att bygga sin maskininlärningsmodell. Om de till exempel ville använda maskininlärning för att upptäcka bedrägliga banktransaktioner skulle utvecklarna sammanställa en lista med befintliga transaktioner och märka dem med deras resultat (bedrägliga eller giltiga). När de matar in data till algoritmen, separerar det de bedrägliga och giltiga transaktionerna och hittar de gemensamma egenskaperna i var och en av de två klasserna. Processen för utbildningsmodeller med kommenterade data kallas "övervakat lärande" och är för närvarande den dominerande formen för maskininlärning.

Många onlinelager med märkta data för olika uppgifter finns redan. Några populära exempel är ImageNet, ett datasystem med öppen källkod med mer än 14 miljoner märkta bilder, och MNIST, ett datasätt på 60 000 märkta handskrivna siffror. Maskininlärningsutvecklare använder också plattformar som Amazons Mechanical Turk, en online-on-demand anställningsnav för att utföra kognitiva uppgifter som märkning av bilder och ljudprover. Och en växande sektor av nystartade företag specialiserar sig på datainmotering.

Men inte alla problem kräver märkta data. Vissa maskininlärningsproblem kan lösas genom "okontrollerat lärande", där du ger AI-modellen rå data och låter den själv räkna ut vilka mönster som är relevanta.

En vanlig användning av inlärning utan tillsyn är avvikelse av anomali. Till exempel kan en maskininlärningsalgoritm träna på råa nätverkstrafikdata för en internetansluten enhet - säg ett smart kylskåp. Efter träningen upprättar AI en baslinje för enheten och kan flagga överliggande beteende. Om enheten infekteras med skadlig programvara och börjar kommunicera med skadliga servrar kan maskininlärningsmodellen upptäcka den, eftersom nätverkstrafiken skiljer sig från det normala beteendet som observerats under träningen.

Förstärkningslärande

Nu vet du förmodligen att kvalitetsutbildningsdata spelar en enorm roll i effektiviteten hos maskininlärningsmodeller. Men förstärkningslärande är en specialiserad typ av maskininlärning där en AI utvecklar sitt beteende utan att använda tidigare data.

Förstärkningslärande modeller börjar med en ren skiffer. De instrueras endast i miljöens grundläggande regler och uppgiften. Genom test och fel lär de sig att optimera sina åtgärder för sina mål.

DeepMinds AlphaZero är ett intressant exempel på förstärkningslärande. I motsats till andra maskininlärningsmodeller, som måste se hur människor spelar schack och lära av dem, började AlphaZero bara känna till styckernas rörelser och spelets vinstvillkor. Efter det spelade det miljoner matcher mot sig själv, börjar med slumpmässiga åtgärder och gradvis utvecklade beteendemönster.

Förstärkningslärande är ett hett forskningsområde. Det är den huvudsakliga tekniken som används för att utveckla AI-modeller som kan behärska komplexa spel som Dota 2 och StarCraft 2 och används också för att lösa verkliga problem som att hantera datacenterresurser och skapa robothänder som kan hantera föremål med mänsklig fingerfärdighet..

Djup lärning

Deep learning är en annan populär delmaskin av maskininlärning. Den använder konstgjorda neurala nätverk, mjukvarukonstruktioner som är ungefär inspirerade av den biologiska strukturen i den mänskliga hjärnan.

Neurala nätverk utmärker sig vid bearbetning av ostrukturerad data som bilder, video, ljud och långa utdrag av text som artiklar och forskningsartiklar. Innan djupgående lärande var tvungen att lära experter på maskiner att lägga mycket arbete på att extrahera funktioner från bilder och videor och skulle driva sina algoritmer på toppen av det. Neurala nätverk upptäcker automatiskt dessa funktioner utan att kräva mycket ansträngning från mänskliga ingenjörer.

Djupt lärande ligger bakom många moderna AI-tekniker som förarlösa bilar, avancerade översättningssystem och tekniken för ansiktsigenkänning i din iPhone X.

Gränserna för maskininlärning

Folk förväxlar ofta maskininlärning med konstgjord intelligens på mänsklig nivå, och marknadsavdelningarna i vissa företag använder avsiktligt termerna omväxlande. Men medan maskininlärning har tagit stora steg mot att lösa komplexa problem, är det fortfarande väldigt långt ifrån att skapa de tänkande maskiner som pionjärerna i AI föreställde sig.

Förutom att lära av erfarenhet kräver sann intelligens resonemang, sunt förnuft och abstrakt tänkande - områden där maskininlärningsmodeller fungerar mycket dåligt.

Till exempel, medan maskininlärning är bra på komplicerade mönsterigenkänningsuppgifter som att förutsäga bröstcancer fem år i förväg, kämpar det med enklare logik och resonemangsuppgifter som att lösa matematikproblem i gymnasiet.

Maskininlärningens brist på resonemang gör det dåligt att generalisera sin kunskap. Till exempel kommer en maskininlärningsagent som kan spela Super Mario 3 som en proff inte att dominera ett annat plattformsspel, till exempel Mega Man, eller ens en annan version av Super Mario. Det måste tränas från grunden.

Utan kraften att dra ut konceptuell kunskap från erfarenhet kräver maskininlärningsmodeller massor av träningsdata för att utföra. Tyvärr saknar många domäner tillräcklig träningsdata eller har inte pengar för att skaffa mer. Djupt lärande, som nu är den rådande formen för maskininlärning, lider också av ett förklarbarhetsproblem: Neurala nätverk fungerar på komplicerade sätt, och till och med deras skapare kämpar för att följa sina beslutsprocesser. Detta gör det svårt att använda kraften i neurala nätverk i inställningar där det finns ett lagkrav för att förklara AI-beslut.

Lyckligtvis görs ansträngningar för att övervinna gränserna för maskininlärning. Ett anmärkningsvärt exempel är ett utbrett initiativ från DARPA, försvarsdepartementets forskningsarm, för att skapa förklarbara AI-modeller.

• Vad är artificiell intelligens (AI)? Vad är artificiell intelligens (AI)?
• De flesta AI-dollar går till maskininlärning De flesta AI-dollar går till maskininlärning
• Hur vill du se AI används? Hur vill du se AI används?

Andra projekt syftar till att minska maskininlärningens överlitlighet på kommenterade data och göra tekniken tillgänglig för domäner med begränsad träningsdata. Forskare på IBM och MIT gjorde nyligen intrång i fältet genom att kombinera symbolisk AI med nervnätverk. Hybrid AI-modeller kräver mindre data för utbildning och kan ge steg-för-steg förklaringar av deras beslut.

Huruvida utvecklingen av maskininlärning så småningom kommer att hjälpa oss att nå det ständigt undvikande målet att skapa AI på mänsklig nivå återstår att se. Men vad vi vet säkert är att tack vare framstegen inom maskininlärning blir enheterna som sitter på våra skrivbord och vilar i fickorna smartare varje dag.