Indholdsfortegnelse:
- Deep Learning er for meget afhængig af data
- Deep Learning er ikke fleksibel
- Deep Learning er uigennemsigtig
- Deep Learning kan blive overhypert
Video: Саймон Синек: Как выдающиеся лидеры вдохновляют действовать (Oktober 2024)
I 2012 foretog en gruppe forskere fra University of Toronto et gennembrud for billedklassificering.
På ImageNet, en årlig kunstig intelligens (AI) -konkurrence, hvor deltagerne kæmper for at skabe den mest nøjagtige billedklassificeringsalgoritme, debuterede Toronto-teamet AlexNet, "som slå marken med en kæmpestor margen på 10, 8 procentpoint… 41 procent bedre end den næste bedste, "ifølge Quartz.
Mange har rost dyb læring og dens supersæt, maskinlæring, som vores tids generelle teknologi og mere dybtgående end elektricitet og ild. Andre advarer dog om, at dyb læring i sidste ende bedst vil mennesker på enhver opgave og blive den ultimative jobmorder. Og eksplosionen af applikationer og tjenester, der er drevet af dyb læring, har genherret frygt for en AI-apokalypse, hvor super-intelligente computere erobrer planeten og driver mennesker til slaveri eller udryddelse.
Men på trods af hypen, har dyb læring nogle mangler, der kan forhindre den i at realisere noget af dets løfte - både positiv og negativ.
Deep Learning er for meget afhængig af data
Dyb læring og dybe neurale netværk, der omfatter dens underliggende struktur, sammenlignes ofte med den menneskelige hjerne. Men vores sind kan lære koncepter og træffe beslutninger med meget få data; dyb læring kræver tonsvis af prøver for at udføre den enkleste opgave.
Som kerne er dyb læring en kompleks teknik, der kortlægger input til output ved at finde fælles mønstre i mærkede data og bruge viden til at kategorisere andre dataprøver. Giv for eksempel et dybdegående program nok billeder af katte, og det vil være i stand til at registrere, om et foto indeholder en kat. Ligeledes, når en dybindlæringsalgoritme indtager nok lydeksempler af forskellige ord og sætninger, kan den genkende og transkribere tale.
Men denne tilgang er kun effektiv, når du har en masse kvalitetsdata til at fodre dine algoritmer. Ellers kan dybindlæringsalgoritmer foretage vilde fejl (som at tage en riffel i fare for en helikopter). Når deres data ikke er inkluderende og forskellige, har dyb-læringsalgoritmer endda vist racistisk og sexistisk opførsel.
Tillid til data medfører også et centraliseringsproblem. Fordi de har adgang til store mængder data, er virksomheder som Google og Amazon i en bedre position til at udvikle meget effektive dyb-læringsapplikationer end startups med færre ressourcer. Centraliseringen af AI i nogle få virksomheder kunne hæmme innovation og give disse virksomheder for meget svajer over deres brugere.
Deep Learning er ikke fleksibel
Mennesker kan lære abstrakte begreber og anvende dem i forskellige situationer. Vi gør det hele tiden. For eksempel, når du spiller et computerspil som f.eks. Mario Bros. for første gang, kan du med det samme bruge den virkelige verden viden - såsom behovet for at hoppe over grove eller undvige fyrige kugler. Derefter kan du anvende din viden om spillet til andre versioner af Mario, såsom Super Mario Odyssey, eller andre spil med lignende mekanik, såsom Donkey Kong Country og Crash Bandicoot.
AI-applikationer skal dog lære alt fra bunden af. Et kig på, hvordan en dybindlæringsalgoritme lærer at spille Mario, viser, hvor anderledes en AI's læringsproces er fra mennesker. Det begynder i det væsentlige intet at vide noget om sit miljø og lærer gradvist at interagere med de forskellige elementer. Men den viden, det får ved at spille Mario, tjener kun det smalle domæne i det samme spil og kan ikke overføres til andre spil, endda andre Mario-spil.
Denne mangel på begrebsmæssig og abstrakt forståelse holder dybdegående applikationer fokuseret på begrænsede opgaver og forhindrer udvikling af generel kunstig intelligens, den slags AI, der kan tage intellektuelle beslutninger, som mennesker gør. Det er ikke nødvendigvis en svaghed; nogle eksperter hævder, at oprettelse af generel AI er et meningsløst mål. Men det er bestemt en begrænsning sammenlignet med den menneskelige hjerne.
Deep Learning er uigennemsigtig
I modsætning til traditionel software, som programmerere definerer reglerne for, skaber dyb-læringsapplikationer deres egne regler ved at behandle og analysere testdata. Derfor ved ingen rigtig, hvordan de når konklusioner og beslutninger. Selv udviklerne af dyb-læringsalgoritmer finder sig ofte forvirrede over resultaterne af deres kreationer.
Denne mangel på gennemsigtighed kan være en stor hindring for AI og dyb læring, da teknologien forsøger at finde sin plads i følsomme områder såsom patientbehandling, retshåndhævelse og selvkørende biler. Deep-learning-algoritmer er måske mindre tilbøjelige til at lave fejl end mennesker, men når de laver fejl, bør grundene bag disse fejl være forklarbare. Hvis vi ikke kan forstå, hvordan vores AI-applikationer fungerer, kan vi ikke stole på dem med kritiske opgaver.
Deep Learning kan blive overhypert
Dyb læring har allerede bevist sin værdi på mange områder og vil fortsætte med at ændre måden vi gør ting på. På trods af dets mangler og begrænsninger har dyb læring ikke svigtet os. Men vi er nødt til at tilpasse vores forventninger.
Som AI-lærd Gary Marcus advarer, kan overhypning af teknologien føre til en anden "AI vinter" - en periode, hvor alt for høje forventninger og underprestation fører til generel skuffelse og manglende interesse.
Marcus antyder, at dyb læring ikke er "et universelt opløsningsmiddel, men et værktøj blandt mange", hvilket betyder, at mens vi fortsat udforsker de muligheder, som dyb læring giver, bør vi også se på andre, fundamentalt forskellige tilgange til at skabe AI-applikationer.
Selv professor Geoffrey Hinton, der var banebrydende for det arbejde, der førte til den dybe læringsrevolution, mener, at helt sandsynligvis skal opfindes helt nye metoder. ”Fremtiden afhænger af en kandidatstuderende, der er dybt mistænksom overfor alt hvad jeg har sagt, ” fortalte han Axios.
