211service.com
De AI-techniek die machines kan doordrenken met het vermogen om te redeneren
Een afbeelding van baby's die met blokken spelen Getty
Als een baby zes maanden oud is, zal hij geen oog dichtknijpen als een speelgoedtruck van een platform rijdt en lijkt in de lucht te zweven . Maar voer hetzelfde experiment slechts twee tot drie maanden later uit, en ze zal onmiddellijk herkennen dat er iets mis is. Ze heeft het begrip zwaartekracht al geleerd.
Niemand vertelt de baby dat objecten zouden moeten vallen, zei Yann LeCun, de hoofd-AI-wetenschapper bij Facebook en een professor aan de NYU. tijdens een webinar op donderdag georganiseerd door de Association for Computing Machinery, een brancheorganisatie. En omdat baby's geen erg geavanceerde motorische controle hebben, veronderstelt hij dat veel van wat ze over de wereld leren door observatie.
Die theorie kan belangrijke implicaties hebben voor onderzoekers die de grenzen van kunstmatige intelligentie willen verleggen.
Deep learning, de categorie van AI-algoritmen die de aanzet gaven tot de meest recente revolutie in het veld, heeft enorme vooruitgang geboekt bij het geven van perceptuele vaardigheden aan machines, zoals visie. Maar het is tekortgeschoten in het doordringen van hen met verfijnde redeneringen, gebaseerd op een conceptueel model van de werkelijkheid. Met andere woorden, machines begrijpen de wereld om hen heen niet echt, waardoor ze tekortschieten in hun vermogen om ermee om te gaan. Nieuwe technieken helpen deze beperking te overwinnen, bijvoorbeeld door machines een soort werkgeheugen te geven, zodat ze, terwijl ze leren en basisprincipes en principes afleiden, ze kunnen verzamelen om ze in toekomstige interacties uit te gebruiken.
Maar LeCun gelooft dat dit slechts een stukje van de puzzel is. Het is duidelijk dat we iets missen, zei hij. Een baby kan een olifant gaan begrijpen na het zien van twee foto's, terwijl diepgaande algoritmen duizenden, zo niet miljoenen moeten zien. Een tiener kan veilig leren autorijden door 20 uur te oefenen en crashes te voorkomen zonder er eerst een te ervaren, terwijl algoritmen voor het leren van versterking (een subcategorie van diep leren) tientallen miljoenen proeven moeten doorstaan, waaronder veel flagrante mislukkingen.
Het antwoord, denkt hij, ligt in de ondergewaardeerde subcategorie van diep leren die bekend staat als onbewaakt leren. Terwijl algoritmen op basis van begeleid en versterkend leren worden geleerd om een doel te bereiken door middel van menselijke input, extraheren degenen zonder toezicht volledig zelf patronen in gegevens. (LeCun geeft de voorkeur aan de term zelf-gesuperviseerd leren omdat het in wezen een deel van de trainingsgegevens gebruikt om de rest van de trainingsgegevens te voorspellen.)
In de afgelopen jaren hebben dergelijke algoritmen veel grip gekregen op de verwerking van natuurlijke taal vanwege hun vermogen om de relaties tussen miljarden woorden te vinden. Dit is handig voor het bouwen van tekstvoorspellingssystemen zoals autocomplete of voor het genereren van overtuigend proza. Maar de overgrote meerderheid van AI-onderzoek in andere domeinen was gericht op begeleid of versterkend leren.
LeCun is van mening dat de nadruk moet worden verlegd. Alles wat we als mensen leren - bijna alles - wordt geleerd door zelf-gesuperviseerd leren. Er is een dunne laag die we leren door onder toezicht te leren, en een kleine hoeveelheid die we leren door versterkend leren, zei hij. Als machine learning, of AI, een fluitje van een cent is, is het overgrote deel van de koek zelf-gesuperviseerd leren.
Hoe ziet dit er in de praktijk uit? Onderzoekers moeten beginnen met zich te concentreren op temporele voorspelling. Met andere woorden, train grote neurale netwerken om de tweede helft van een video te voorspellen wanneer de eerste wordt gegeven. Hoewel niet alles in onze wereld kan worden voorspeld, is dit de fundamentele vaardigheid achter het vermogen van een baby om te beseffen dat een speelgoedtruck moet vallen. Dit is een soort simulatie van wat er in je hoofd omgaat, als je wilt, zei LeCun.
Zodra het veld technieken ontwikkelt die deze vaardigheden verfijnen, zullen ze ook belangrijke praktische toepassingen hebben. Het is een goed idee om videovoorspellingen te doen in de context van zelfrijdende auto's, omdat je misschien van tevoren wilt weten wat andere auto's op straat gaan doen, zei hij.
Uiteindelijk zal leren zonder toezicht machines helpen een model van de wereld te ontwikkelen dat vervolgens toekomstige toestanden van de wereld kan voorspellen, zei hij. Het is een verheven ambitie die AI-onderzoek is ontgaan, maar die een geheel nieuwe reeks mogelijkheden zou openen. LeCun heeft er vertrouwen in: de volgende revolutie van AI zal niet onder toezicht staan.
Meld u aan voor onze Webby-genomineerde AI-nieuwsbrief The Algorithm om meer van dit soort verhalen rechtstreeks in uw inbox te ontvangen. Het is gratis.