211service.com
De ontbrekende schakel van kunstmatige intelligentie
In 2012 hoorde de wereld van een verrassend onderzoeksproject in het geheime X-lab van Google. Een gigantische simulatie van drie miljoen neuronen leerde katten en mensen op foto's te herkennen, zonder menselijke hulp, gewoon door naar afbeeldingen van YouTube te kijken.
De mensen achter het project richtten een nieuwe onderzoeksgroep op die bekend staat als Google Brain binnen de zoekafdeling van het bedrijf. Zij en onderzoekers elders bewezen de wereld al snel dat kunstmatige neurale netwerken, een decennia oude uitvinding, beelden en spraak met ongekende nauwkeurigheid konden begrijpen (zie Google zet zijn virtuele brein aan het werk). Het succes van deep learning, zoals de techniek ook wel wordt genoemd, heeft Google en anderen ertoe aangezet zwaar te investeren in kunstmatige intelligentie en heeft er zelfs toe geleid dat sommige experts beweren dat we ons moeten voorbereiden op software die slimmer is dan mensen (zie Wat is er nodig om een deugdzaam A.I.?).
Toch was de kattendetector van Google in sommige opzichten een doodlopende weg. De recente successen van deep learning zijn gebaseerd op software die menselijke hulp nodig heeft om te leren - iets dat beperkt hoe ver kunstmatige intelligentie kan gaan.
Het experiment van Google gebruikte een benadering die bekend staat als leren zonder toezicht, waarbij software onbewerkte gegevens krijgt en dingen zelf moet uitzoeken zonder menselijke hulp. Maar hoewel het katten, gezichten en andere objecten leerde herkennen, was het niet nauwkeurig genoeg om bruikbaar te zijn. De hausse in onderzoek naar deep learning en daarop gebouwde producten berust op gesuperviseerd leren, waarbij de software wordt voorzien van gegevens die door mensen zijn gelabeld, bijvoorbeeld afbeeldingen die zijn getagd met de namen van de objecten die ze weergeven (zie Teaching Machines to Understand Us).
Dat is ongelooflijk effectief gebleken voor veel problemen, zoals het identificeren van objecten in afbeeldingen, het filteren van spam-e-mail en zelfs het suggereren van korte antwoorden op uw berichten, een functie die vorig jaar door Google is geïntroduceerd . Maar leren zonder toezicht is waarschijnlijk nodig als software de wereld steeds beter wil begrijpen, zegt Jeff Dean, die vandaag de Google Brain-groep leidt en ook aan het kattendetectieproject in Google X heeft gewerkt.
Ik ben er vrij zeker van dat we het nodig hebben, zegt Dean. Supervised learning werkt zo goed als je de juiste dataset hebt, maar uiteindelijk wordt unsupervised learning een heel belangrijk onderdeel bij het bouwen van echt intelligente systemen. Als je kijkt naar hoe mensen leren, is het bijna volledig zonder supervisie.
Een voorbeeld daarvan is de manier waarop we als baby's leren, waarmee we de basis leggen voor de intelligentie van volwassenen. We komen er bijvoorbeeld achter dat objecten nog steeds bestaan als ze uit het zicht zijn en vallen als ze niet worden ondersteund, en we leren deze dingen gewoon door de wereld te observeren, zonder expliciete instructie. Dat soort gezond verstand is nodig als robots net zo goed door de wereld willen navigeren als dieren. Het ondersteunt ook schijnbaar meer abstracte taken, zoals het begrijpen van taal.
Uitzoeken hoe software kan doen wat zo gemakkelijk voor menselijke baby's komt, is cruciaal als we grotere ambities voor kunstmatige intelligentie willen waarmaken, zegt Yann LeCun, directeur van de Artificial Intelligence Research Group van Facebook. We weten allemaal dat leren zonder toezicht het ultieme antwoord is, zegt hij. Het oplossen van leren zonder toezicht zal ons naar het volgende niveau brengen.
Hoewel ze dat ultieme antwoord nog niet hebben, experimenteren onderzoekers bij bedrijven als Facebook en Google, en in de academische wereld, met beperkte vormen van unsupervised learning.
Eén onderdeel van het onderzoek is gericht op het creëren van kunstmatige neurale netwerken die video en afbeeldingen opnemen en vervolgens nieuwe beelden genereren met behulp van de kennis die ze over de wereld hebben opgedaan - wat aangeeft dat ze een interne representatie hebben gevormd van hoe het werkt. Het maken van nauwkeurige voorspellingen over de wereld is een belangrijk fundamenteel kenmerk van menselijke intelligentie.
Het 'optimale' menselijke gezicht, volgens een netwerk van drie miljoen gesimuleerde neuronen die Google voedde met afbeeldingen van YouTube.
De onderzoekers van Facebook hebben software gemaakt genaamd EyeScream die herkenbare beelden kunnen genereren, gegeven prompts zoals kerk of vliegtuig, en ze werken aan het maken van software die voorspelt wat er in een video zal gebeuren. Onderzoekers bij de DeepMind-dochteronderneming van Google heb software gemaakt die naar een foto kijkt waarvan sommige delen zwart zijn gemaakt en die probeert in te vullen met realistische beelden.
DeepMind test ook een alternatief voor volledig onbewaakt leren, versterkingsleren genaamd, waarbij software wordt getraind door automatische feedback over de prestaties te ontvangen, bijvoorbeeld van het scoresysteem van een computerspel (zie Google's Intelligence Designer). En onderzoekers die geen gebruik maken van deep learning hebben software gedemonstreerd die kan leren hoe een handgeschreven karakter te herkennen op basis van een enkel voorbeeld (zie Dit AI-algoritme leert taken net zo snel als wij).
Maar geen van deze verkenningen heeft tot nu toe een pad onthuld dat gegarandeerd lijkt te leiden tot leren zonder toezicht op het menselijke niveau, of software die complexe dingen over de echte wereld kan leren door deze gewoon te ervaren of ermee te experimenteren. Op dit moment lijken we een kernidee te missen, zegt Adam Coates, directeur van de Chinese zoekmachine Baidu's Silicon Valley AI Lab .
Begeleid leren heeft nog steeds veel te bieden terwijl het zoeken doorgaat, zegt Coates: internetbedrijven hebben toegang tot een schat aan gegevens over de dingen die mensen doen en waar ze om geven, grondstoffen die kunnen worden gebruikt om dingen als spraakinterfaces en persoonlijke assistenten te bouwen. capabeler dan die we nu hebben. Op korte termijn kun je veel doen met gelabelde data, zegt hij. Grote bedrijven geven miljoenen uit om aannemers gegevens te laten labelen voor invoer in hun machine-learningsystemen.
LeCun van Facebook gelooft dat onderzoekers niet voor altijd op gelabelde data zullen moeten leven. Maar hij weigert te raden hoe lang de motor van menselijke intelligentie buiten het bereik van software zal blijven. We kennen de ingrediënten wel een beetje; we weten alleen het recept niet, zegt hij. Het kan even duren.