Video: The Great AI Debate - NIPS2017 - Yann LeCun (Listopad 2024)
Na semináři o AI a budoucnosti práce začátkem tohoto měsíce hovořil Yann LeCun, ředitel AI Research na Facebooku a zakládající ředitel NYU Center for Data Science, o „síle a mezích hlubokého učení“. LeCun, který byl průkopníkem konvolučních neuronových sítí, které jsou jádrem mnoha nedávných pokroků v umělé inteligenci, byl nadšený pokrokem, kterého pole dosáhlo v posledních letech, a realistickým, co takové systémy mohou a nemohou udělat.
LeCun uvedl, že došlo k několika vlnám AI, a poznamenal, že zatímco současná vlna se zaměřuje na hluboké učení, přichází „vnímání“, přičemž největšími příklady jsou aplikace, jako jsou lékařské zobrazování a automobily s vlastním pohonem. Téměř všechny tyto aplikace používají supervidované učení a nejvíce využívají konvoluční neuronové sítě, které LeCun poprvé popsal v roce 1989 a které byly poprvé nasazeny při rozpoznávání znaků v bankomatech v roce 1995. LeCun uvedl, že platnost patentu na tyto sítě vypršela v roce 2007.
Jedná se o velké datové sady s velkými velikostmi vzorků a také o obrovský nárůst výpočetního výkonu (za pomoci práce Geoffrey Hintonové při zjišťování, jak používat GPU pro rozpoznávání obrázků), které vedly v posledních letech k největší změně. Dokonce i pro LeCun byly pokroky v rozpoznávání obrazu „nic menšího než úžasné“. Přestože vnímání „opravdu funguje“, stále chybí zdůvodnění.
LeCun hovořil o třech různých druzích přístupů ao omezeních každého z nich. Učení vyztužení vyžaduje obrovské množství vzorků. Je to skvělé pro hry, protože systém může spouštět miliony pokusů a být lepší a lepší, ale v reálném světě je těžké ho používat, protože například nechcete řídit auto z útesu 50 milionůkrát, a reálný čas je faktorem v reálném světě.
Dozorované učení, které je většinou to, co nyní vidíme, vyžaduje střední množství zpětné vazby a funguje dobře. Dozor nad strojovým učením má však některé problémy. LeCun uvedl, že takové systémy odrážejí zkreslení dat, ačkoli řekl, že je optimistický, tento problém lze překonat, a věří, že je jednodušší odstranit zkreslení ze strojů ve srovnání s lidmi. Je však také obtížné ověřit spolehlivost těchto systémů a obtížně vysvětlit rozhodnutí učiněná na základě výstupů z těchto systémů a LeCun jako příklad toho hovořil o žádostech o půjčku.
Nezohledněné nebo prediktivní učení, které se v současné době zkoumá na věci, jako je předpovídání budoucích snímků ve videu, vyžaduje hodně zpětné vazby. Neupozorněné učení zahrnuje předpovídání minulosti, přítomnosti nebo budoucnosti z dostupných informací, jinými slovy, schopnost vyplnit mezery, což LeCun řekl, že je to, čemu říkáme zdravý rozum. Poznamenal, že děti to dokáží, ale že dostat stroje k tomu bylo velmi obtížné a hovořil o tom, jak vědci pracují na technikách, jako jsou generativní protivníkové sítě (GAN), pro předpovědi v nejistých podmínkách. Nejsme zdaleka hotoví, řekl.
LeCun hovořil o třech typech učení jako o součástech dortu: posilovací učení je třešničkou nahoře, supervidované učení námrazy a prediktivní učení je hlavní součástí dortu.
Předvídaná umělá inteligence společnosti LeCun změní způsob, jakým se věci oceňují, přičemž zboží postavené roboti stojí méně a autentické lidské zkušenosti stojí více, a řekl, že to může znamenat „světlou budoucnost pro jazzové hudebníky a řemeslníky“.
Celkově společnost LeCun uvedla, že AI je technologie obecného účelu (GPT), jako je parní stroj, elektřina nebo počítač. Bude to mít vliv na mnoho oblastí hospodářství, ale bude to trvat 10 nebo 20 let, než uvidíme vliv na produktivitu. LeCun uvedl, že AI povede k nahrazení pracovních míst, ale poznamenal, že zavádění technologií je omezeno tím, jak rychle pro něj mohou pracovníci trénovat.
Pokud jde o „skutečnou revoluci umělé inteligence“, LeCun uvedl, že k tomu nedojde, dokud stroje nezískají zdravý rozum, a stanovení zásad, jak toho dosáhnout, může trvat dva, pět, dvacet nebo více let; dále bude trvat roky, než se na základě těchto principů vyvine praktická technologie umělé inteligence. Koneckonců, poznamenal, trvalo dvacet let, než se konvoluční sítě staly důležitými. A to vše je založeno na předpokladu, že principy jsou jednoduché; to je mnohem komplikovanější, pokud „inteligence je kludge“.
