Деякі з кращих умів в AI опускаються на глибокий навчальний саміт Лондона - Обчислення - 2019

Anonim

Штучний інтелект ніколи не був таким теперішнім - або таким же крутим, як і сьогодні. І, через роки на периферії, глибоке навчання стало найуспішнішим і найпопулярнішим методом машинного навчання.

Алгоритми DL тепер можуть ідентифікувати об'єкти краще, ніж більшість людей, перевершують лікарів при діагностиці захворювань та побили гравців у власній настільній грі. Тільки за останній рік, AlphaGo Google DeepMind переміг один з найбільших гравців в світі - підказка, яку вгадали більшість фахівців, принаймні, займе ще десятиліття.

Деякі найкращі учені в AI знаходяться на саміті Re • Work In-depth Learning в Лондоні цього тижня, щоб обговорити закріплені проблеми та нові рішення штучного інтелекту через глибоке вивчення. Дослідники з Google, Apple, Microsoft, Оксфорда та Кембриджа (щоб назвати декілька) відвідують або ведуть переговори. Re • Засновник роботи, Нікіта Джонсон сказав "Digital Trends": "Наші заходи об'єднують багатопрофільне поєднання трьох основних спільнот: стартапів, наукових кіл та промисловості для заохочення співпраці та обговорення".

Протягом наступних кількох тижнів ми будемо докладно вивчати ці теми та почути від експертів про те, як інтелектуальні алгоритми трансформують нашу повсякденну життя завтра і в найближчі роки.

Але що ж саме глибоке вивчення?

Глибоке навчання - це метод машинного навчання, який тренує системи, використовуючи великі обсяги даних та кілька рівнів обробки.

Досі збентежені? Ти не один.

"Люди часто кажуть:" Ви дійсно не можете зрозуміти глибоке навчання. Це надто абстрактно, - сказав сьогодні професор машинного навчання та обчислювальної біології в Шеффілдському університеті Ніл Лоуренс під час його презентації. "Але я думаю, що люди можуть зрозуміти це інтуїтивно ".

Щоб допомогти мирянам - і навіть деяким ентузіастам - зрозуміти концепцію глибокого вивчення, Лоуренс витягнув паралель із класичною карнавальною грою, в якій гравець скидає м'яч за прив'язану дошку, щоб посадити його в гніздо внизу. Це важке завдання досягти певного слоту - майже чисто шанс. Але уявіть собі, що ви можете видалити кілець, щоб допомогти керувати кулями в певних напрямках до визначених слотів. Це щось схоже на завдання, виконане глибокими алгоритмами навчання.

"Важливим аспектом є коригування" кілочок "таким чином, щоб" yeses "перейшов у слот" yes ", а" nos "перейшов у" ні "слот", сказав Лоуренс.

Звучить просто? Це не.

Це проблема, яку люди зіштовхнули десятки років, і це ще далеко не вирішено. Навіть сьогодні найкращі глибокі системи навчання можуть добре виконувати одне завдання, але зазнають невдачі, коли їх просять робити щось навіть зовсім інше. Як підкреслює Райа Хадселл, "DeepMind", ви можете витратити тижні чи місяці навчальний алгоритм для гри в Atari, але ці знання не можуть бути узагальнені. Іншими словами, ви можете навчити систему грати в понг, але треба починати з нуля, якщо ви хочете грати Space Invaders .

Там можуть бути рішення - Хадселл вважає, що її команда у DeepMind має принаймні одну - але недоліки показують лише те, наскільки робочі дослідники випереджають їх.