У дома звуков Как дълбоките упорити мрежи играят роля в еволюцията?

Как дълбоките упорити мрежи играят роля в еволюцията?

Anonim

Q:

Как дълбоките упорити мрежи играят роля в еволюцията на AI?

A:

На фона на това дълбоките упорити мрежи просто „добавят функционалност“ към съществуваща технологична конструкция, генеративната състезателна мрежа (GAN), но в действителност скорошната еволюция на дълбоката упорита мрежа ни казва фундаментални неща за това как AI може да се развива към значително моделиране на човешкото вземане на решения.

Дълбоката упорита мрежа разчита на взаимодействието в рамките на GAN на две AI „образувания“: „генератор“ и „дискриминатор“. Генераторът "генерира" съдържание или примери или тестови данни или каквото решите да го наречете. Дискриминаторът взема приноса и го сортира или взема решения въз основа на него. Тези две части на дълбока упорита мрежа са независими образувания за целите на изследванията на ИИ, но работят заедно.

Важно е да се отбележи, че наличната публична литература за дълбоките упорити мрежи е оскъдна, като че ли се състои от малък набор от общи описания в най-добрите страници за класиране в Google. Един от най-авторитетните, в KDNuggets, цитира използването на „коефициент на добро име“, който е неоткриваем сам по себе си чрез търсене в Google. (Ian Goodfellow е компютърен учен, на когото са приписани някои от основните идеи зад дълбоките упорити мрежи.)

Въпреки това, идеята за дълбоката упорита мрежа е обяснена в KDNuggets и на други места: основната идея е генераторът да „опита да измами“ дискриминатора и дискриминаторът може да бъде „по-дискриминативен“, докато не стане по някакъв начин, съзнателен в своето „съмнение в себе си“ и не избира да върне резултати. След това се случва важна следваща стъпка: Програмата, чрез човешка намеса или алгоритми, се „коаксира“, за да даде отговор.

В този модел започваме да виждаме AI да направи огромна стъпка, от просто моделиране на данни или анализиране на тренировъчни набори, до действително вземане на видовете решения на високо ниво, за които смятаме, че са в човешката област. Оценявайки както моделите на "избор" на дискриминатора на AI, така и моделите на "избор" на човек, парчето KDNuggets цитира "Парадокс на избора", създаден от Бари Шварц. Някои независими публикации в блога описват как дълбоката упорита мрежа подчертава по същество човешкото поведение: Й. Яков Щерн обяснява текущите ограничения и евентуалния напредък в продължителна замазка върху IVR, а Алексия Жолико-Мартино разкрива някои от последните резултати, които GAN могат да дадат.

Така че в известен смисъл, основното въздействие на дълбоките упорити мрежи върху AI е да се преориентират или разширят изследванията отвъд видовете решения, които са лесно приложими за предприятията, и да насърчават новаторски изследвания за превръщането на компютрите още повече като хора. Може да има произволен брой приложения на тази идея за предприемачество, но те не са толкова изрязани и изсушени, както, да кажем, настоящото приложение на алгоритмите за машинно обучение в двигателите с препоръки на потребителите или използването на интелигентни ML процеси в маркетинга. Изследванията на DSN изглежда предполагат, че можем да направим AI субекти по-жизнеспособни, което носи със себе си голяма част от риска, както и възнаграждение.

Как дълбоките упорити мрежи играят роля в еволюцията?