#tendenser | Machine learning

Siden oldtiden, forskere, herunder Pascal og Leibniz, drømt af maskiner, er i stand til at se, at forstå verden og interagere med det. Forfattere og Instruktører, såsom Jules Verne, Mary Shelley, George Lucas og Steven Spielberg, skabte en fed udseende smarte enheder. I denne episode taler vi om machine learning, som allerede har formået at bevise, at et sted i dybet af computere og robotter, er ikke meget forskellige fra mennesker.

Hvad er machine learning? I en nøddeskal, er den videnskabelige disciplin, der forsøger at besvare følgende spørgsmål: "Hvordan kan vi programmere systemet til automatisk at lære og forbedre med ny erfaring?". Uddannelse i denne sammenhæng består ikke i at tilegne sig ny viden, men i erkendelse af komplekse mønstre og gøre intelligente beslutninger baseret på de tilgængelige data. Den største vanskelighed stammer fra det faktum, at sættet af alle mulige løsninger, når alle indgående data er for kompliceret til at beskrive. For at løse dette problem, i forbindelse med machine learning udvikler algoritmer, der udvinder viden fra konkrete data og erfaringer på grundlag af statistiske og beregningsmæssige principper.

Historien om machine learning sig selv er meget interessant og har mere end 70 år. I 1946 udviklede han den første edb-system ENIAC. Den computer, der er en lommeregner i de dage blev kaldt de personer, der udfører beregninger på papir, men ENIAC blev kaldt en edb-maskine. Det var styres manuelt, det er, den person, du nødt til at oprette forbindelse til hinanden, komponenter til at beregne. Det blev vurderet, at den ydelse af sådan en maskine, en menneskelig tilgang til læring og tænkning er logisk og realistisk opgave.

I 1950, Britiske matematiker Alan Turing foreslog en metode til at måle ydeevnen af læring maskiner. "Turing-test", der er baseret på følgende idé: vi kan fastslå, at maskinen er ved at lære, hvis det kun er, når der beskæftiger sig med hende, vi vil ikke være i stand til at skelne det fra den anden person. Men i disse dage, at ingen af de eksisterende systemer ikke er i stand til at passere den "Turing-test", sat en høj standard stimuleret opfindere til at skabe en meget interessant bil.

Arthur Samuel

I 1952, Arthur Samuel af IBM skrev et computer spil kaldet "Brikker", at sætte sig den opgave at give hende et vist niveau af dygtighed, så hun kan kæmpe med verdensmester. Program machine learning Samuel blev en stor succes og hjulpet professionelle spillere brikker til at forbedre deres færdigheder i spillet.

En Anden vigtig milepæl var indførelsen af ELIZA, som er udviklet i begyndelsen af 60-erne af Joseph Weizenbaum. ELIZA var en simulering af en psykoterapeut og anvendes af sådanne tricks som substitution af ord og dåse svar i respons på visse søgeord. For første gang konfronteret med ELIZA, nogle forvekslede hende til en levende person.

Den Illusion af ægte kommunikation blev følte sig stærkere, hvis en person har en begrænset samtale med at tale om dig selv og dit liv. På trods af det faktum, at HUN arbejdede langt fra ideelle, det blev en tidlig prototype af den moderne elektroniske assistenter, som Siri og Cortana. Et andet vigtigt resultat, du kan kalde systemet MYCIN, der er udviklet i begyndelsen af 70-erne på Stanford University, som et team under ledelse af Ted Shortliffe. Gennem en kæde af spørgsmål og svar, systemet hjælper med en medicinsk professionel til at foretage en korrekt diagnose til patienten og til at vælge den mest hensigtsmæssige metode til behandling. MYCIN er ofte blevet kaldt verdens første ekspert-system.

Midt fremkomsten af ekspertsystemer, at der var andre tilgange til problemet med machine learning. I 1957, den Amerikanske neurophysiologist Frank Rosenblatt udviklet perceptron — en computer-model af information opfattelse af hjernen, som efterfølgende blev implementeret i den elektroniske maskine "mark-1" og blev en af de første modeller af neurale netværk. 23 juni 1960 ved Cornell University, viste den første neurocomputer "mark-1", som var i stand til at genkende nogle af de samme bogstaver i det engelske alfabet.

Frank Rosenblatt

For At "undervise" de perceptron til at klassificere de billeder, vi har udviklet en særlig iterativ læring metode af trial and error, der ligner den menneskelige læring — en metode til korrektion af fejl. Desuden, i anerkendelse af, at visse bogstaver perceptron kunne skelne de karakteristiske træk ved de breve, der er statistisk mere udbredte, end de mindre forskelle i de enkelte tilfælde. Således perceptron var i stand til at generalisere brev, skrevet på forskellige måder (håndskrift), i et enkelt samlet billede.

Det er Dog ikke alle delte den overbevisning, at den tilgang til læring computere med neurale netværk er korrekte. Efter en fremtrædende videnskabsmand Marvin Minsky ' har offentligt kritiseret begrebet, forskning var primært fokuseret på skabelsen af maskiner, der er blevet programmeret i henhold til de specifikke opgaver, der er dømt industrien til stagnation, der varede mere end 10 år.

I begyndelsen af halvfemserne machine learning-er igen blevet et meget populært emne på grund af skæringspunktet mellem datalogi og statistik. Denne synergi har ført til fremkomsten af en ny måde at tænke på inden for kunstig intelligens — sandsynlighedsbaseret metode. Denne tilgang er kendetegnet ved, at der er baseret på data mængder og ikke har udviklet færdigheder i ekspertsystemer, der vises tidligere. Mange af nutidens succesfulde anvendelser af machine learning, som er resultatet af ideer, der opstod på det tidspunkt.

Et Vigtigt aspekt af machine learning er en fænomenet Big Data, eller big data. I halvfemserne blev det tydeligt, at flere statistiske oplysninger være fed til it-system, jo mere sandsynligt er det, at bygge op en sand forståelse af data.

Tak til fremkomsten af Internet og omkostninger ved reduktion af enheder til lagring af information forskere råder over enorme mængder af data, som for halvtreds år siden, forskere og kunne ikke drømme. Mængden af data vokser eksponentielt. For eksempel biologi i dag har 1 exabyte data på genomer, der svarer til 10 bytes på 18 grader. Det forventes, at der i 2024, en ny generation af radio-teleskoper vil generere så meget information hver dag. For at behandle disse enorme datamængder, skabt en ny videnskabelig disciplin, der er dedikeret til "big data" — deres hurtige søgning, analyse og placering.

En af de største succeser i de seneste år kan kaldes samarbejde forsker Geoffrey Hinton og grundlægger af ImageNet FEI-FEI Li, der sammen har de gjort betydelige fremskridt i udvikling af et sådant fænomen som dyb læring. Gennem brug af multilags neurale netværk og millioner af billeder, der er indsamlet ved ImageNet, var forskerne i stand til at sikre, at de computere, der har lært at opfatte information, ikke på grundlag af logik, som voksne, og på grundlag af data fra sanserne — der er, som et barn med at opdage verden. Som planlagt af forskere, dyb læring bør være tilladt at afvige fra den overvågede læring og give maskiner evnen til at lære på egen hånd, uden nogen instruktion fra mennesket.

Et eksempel, der bekræfter gyldigheden af denne tilgang, var det eksperiment, som blev udført af Google i 2012, kort efter det afgjort på arbejde af Geoffrey Hinton. I eksperimentet blev 1000 servere med omkring 16 tusinde af kerner. Under prøverne, når det neurale netværk, der blev analyseret 10 millioner screenshots af forskellige tilfældige YouTube-videoer, som var i stand til, med en høj grad af præcision at identificere billeder af katte. Eksperimentet, der blev afholdt i forbindelse med projektet, Google Hjernen, har vist, at den tilgang af Hinton til machine learning, er loyal og har en meget imponerende potentiale for kommercialisering. For eksempel, på det tidspunkt, machine learning, gennem indtagelse af et stort antal billeder, der gør det muligt at gennemføre projektet, der selv kører bil Google.

Eksperiment Google med katte

De Fleste har en stærk fornemmelse af virkningen machine learning kan være, når det er integreret i den Værktøjskasse, der skal andre metoder til kunstig intelligens på en måde, der aldrig er blevet gjort. For eksempel, DeepMind projekt, alle de samme selskab Google var i stand til at vise fantastiske resultater ved at kombinere dyb læring med en teknik kaldet forstærket læring. Virksomheden har skabt et system, AlphaGo, at der i Marts 2015, ude af stand til at slå mesteren af det Kinesiske brætspil go. I modsætning til IBM ' s computer, Deep Blue vandt skak-kamp mod Garry Kasparov i 1997, AlphaGo ikke er programmeret ved hjælp af såkaldte afgørelse træer eller ligninger til at analysere situationen på Brættet. Systemet primært studeret spillet, ser det spillet af fagfolk. Baseret på observationer AlphaGo spillet med mig selv en million parter, der analyserer resultaterne og opbygning af en selvstændig strategi.

I Dag, machine learning er aktivt involveret i vores liv og berører os hver især, selv hvis du ikke mærke til. Dette system af produkt anbefalinger i online-butikker, og systemet spamfilter i e-mail. Og nogle gange kalder det customer support af enhver virksomhed, kan vi næppe afgøre, taler til os om en levende person, eller en digital assistent, der genkender tale og give svar på spørgsmål, at kende den sammenhæng.

Ud Over de åbenlyse fordele, dette fænomen er en væsentlig kilde til bekymring. Det er ikke engang det faktum, at studerende uden menneskelig indgriben, når maskinen ønsker at udrydde os. De negative konsekvenser af kunstig intelligens og maskinindlæring vi vil føle i de næste par år, når den arbejdskraft udveksling vil være tusindvis af administratorer, sekretærer, oversættere, sælgere og repræsentanter for mange andre erhverv. Efter et stykke tid kan de slutte sig til de drivere, lokomotivførere, og måske endda journalister. Ifølge world economic forum, i løbet af de næste fem år computere og robotter vil tage fem mio job i øjeblikket indehaves af mennesker, og om hvad du skal gøre med alt dette, synes det, tror ikke, at nogen.