Главная » Hi-News » Что происходит с искусственным интеллектом? Анализ 16 625 работ за последние 25 лет

Что происходит с искусственным интеллектом? Анализ 16 625 работ за последние 25 лет

Эта категория алгоритмов работает со статистикой, чтобы найти закономерности в данных, и показала себя чрезвычайно мощной в имитации человеческих навыков, таких как наша способность видеть и слышать. Практически все, что вы слышите об искусственном интеллекте сегодня, происходит благодаря глубокому обучению. Такие алгоритмы поддерживают работу поиска Google, новостной ленты Facebook, механизм рекомендаций Netflix, а также формируют такие отрасли, как здравоохранение и образование. В очень узкой степени она даже может подражать нашей способности рассуждать.

Как развивается глубокое обучение

Оно было на передовой этих поисков меньше десятка лет. Несмотря на то, что глубокое обучение практически в одиночку явило искусственный интеллект общественности, оно представляет собой лишь небольшую вспышку в исторической задаче человечества воспроизвести собственный интеллект. Если же отдалить всю историю этой области, легко понять, что вскоре и она может отойти.

«Если бы в 2011 году кто-то написал, что глубокое обучение окажется на первых полосах газет и журналов через несколько, мы бы такие: вау, ну и дурь ты куришь», говорит Педро Домингос, профессор компьютерных наук из Университета Вашингтона и автор книги ‘The Master Algorithm’.

Каждое десятилетие наблюдается горячая конкуренция между различными идеями. По его словам, внезапные взлеты и падения различных методов долгое время характеризовали исследования в области ИИ. Затем, время от времени, переключатель щелкает и все сообщество начинает заниматься чем-то одним.

С этой целью они обратились к одной из крупнейших баз данных открытых научных работ, известной как arXiv. Наши коллеги из MIT Technology Review захотели визуализировать эти треволнения и старты. Они загрузились выдержки из всего 16 625 статей, доступных в разделе «искусственный интеллект» по 18 ноября 2018 года и отследили слова, упомянутые за эти годы, чтобы увидеть, как развивалась эта область.

Благодаря их анализу, выявилось три основные тенденции: сдвиг в сторону машинного обучения в конце 90-х — начале 2000-х, рост популярности нейронных сетей, который начался в начале 2010-х, и рост обучения с подкреплением в последние несколько лет.

Во-первых, секция arXiv с ИИ восходит к 1993 году, а термин «искусственный интеллект» относится к 1950-м годам, поэтому сама база данных представляет собой только последние главы истории этой области. Но сперва несколько оговорок. Тем не менее, arXiv предлагает отличный ресурс для выявления некоторых крупных исследовательских тенденций и для того, чтобы увидеть перетягивания каната между различными идейными лагерями. Во-вторых, документы, добавляемые в базу каждый год, представляют собой лишь часть работы, которая проводится в этой области на данный момент.

Парадигма машинного обучения

Такие компьютерные системы основываются на идее о том, что можно закодировать все знания человечества в системе правил. Самый большой сдвиг, который обнаружили исследователи, это уход от систем, основанных на знании, к началу 2000-х годов. Вместо этого ученые обратились к машинному обучению — родительской категории алгоритмов, включающих глубокое обучение.

А связанные с машинным обучением — «данные», «сеть», «производительность» — росли больше остальных. Среди 100 упомянутых слов, связанные с системами на основе знаний — «логика», «ограничения» и «правило» — уменьшались больше всех.

В 80-х годах системы, основанные на знаниях, набирали популярность среди поклонников, благодаря волнению вокруг амбициозных проектов, которые пытались воссоздать в машинах здравый смысл. Причина этой перемены погоды очень проста. Это приводило к увеличению расходов и значительно замедляло текущие процессы. Но когда эти проекты развернулись, исследователи столкнулись с крупной проблемой: нужно было закодировать слишком много правил, чтобы система могла делать что-то полезное.

Вместо того, чтобы требовать от людей ручного кодирования сотен тысяч правил, этот подход программирует машины для автоматического извлечения этих правил из кучи данных. Ответом на эту проблему стало машинное обучение. Точно так же эта область отказалась от систем, основанных на знаниях, и обратилась к совершенствованию машинного обучения.

Бум нейросетей

Вместо этого, как показал анализ ключевых терминов, ученые протестировали множество методов в дополнение к нейронным сетям, основным механизмам глубокого обучения. В рамках новой парадигмы машинного обучения переход к глубокому обучению произошел не сразу. Среди других популярных методов были байесовские сети, метод опорных векторов и эволюционные алгоритмы, все они используют разные подходы к поиску закономерностей в данных.

Затем, в 2012 году, кардинальный прорыв привел к очередной смене погоды. На протяжении 1990-х и 2000-х годов между этими методами существовала устойчивая конкуренция. Во время ежегодного конкурса ImageNet, призванного ускоритель прогресс в области компьютерного зрения, исследователь по имени Джеффри Хинтон вместе со своими коллегами из Университета Торонто добился наилучшей точности в распознавании изображений с погрешностью чуть более 10%.

Поскольку все больше и больше ученых начинало использовать ее для достижения впечатляющих результатов, популярность этой техники, наряду с популярностью нейронных сетей, резко возросла. Техника глубокого обучения, которую он использовал, породила новую волную исследований — сперва в сообществе визуализаторов, а затем и за его пределами.

Рост обучения с подкреплением

Анализ показал, что через несколько лет после расцвета глубокого обучения, произошел третий и последний сдвиг в исследованиях ИИ.

Контролируемое обучение, которое включает в себя скармливание машине помеченных данных, используется наиболее часто, а также имеет больше всего практических применений на сегодняшний день. Помимо различных методов машинного обучения, существует и три различных типа: обучение контролируемое, неконтролируемое и с подкреплением. Однако в последние несколько лет обучение с подкреплением, которое имитирует процесс обучения животных посредством «кнута и пряника», наказаний и поощрений, привело к быстрому росту упоминаний его в работах.

«Специалисты по контролируемому обучению смеялись над специалистами по обучению с подкреплением», говорит Домингос. Сама идея не нова, но многие десятилетия она не работала. Но, как и с глубоким обучением, один поворотный момент внезапно вывел метод на первый план.

Влияние на исследовательское сообщество было мгновенным. Этот момент наступил в октябре 2015 года, когда AlphaGo от DeepMind, обученный с подкреплением, победил чемпиона мира в древней игре го.

Следующие десять лет

Однако он иллюстрирует непостоянство стремления к дублированию интеллекта. Анализ MIT Technology Review обеспечивает только новейший слепок конкуренции среди идей, которые характеризуют исследования ИИ. «Важно понять, что никто не знает, как решить эту проблему», говорит Домингос.

Нейронные сети, например, достигли своего пика в 60-х и немного в 80-х, но чуть не умерли, прежде чем вновь обрести свою популярность, благодаря глубокому обучению. Многие из методов, которые использовались на протяжении 25 лет, появились примерно в одно и то же время в 1950-х годах, и не смогли соответствовать вызовам и успехам каждого десятилетия.

Каждое десятилетие, другими словами, видело господство другой техники: нейронные сети в конце 50-х и 60-х, различные символические попытки в 70-х, системы на основе знаний в 80-х, байесовские сети в 90-х, опорные векторы в нулевых и нейросети снова в 2010-х.

А значит эпоха глубокого обучения может вскоре закончиться. 2020-е не будут ничем отличаться, говорит Домингос. Но что будет дальше — старая методика в новой славе или же совершенно новая парадигма — вот это предмет ожесточенных споров в сообществе.

«Если вы ответите на этот вопрос», говорит Домингос, «я хочу запатентовать ответ».

Чтобы поймать новости искусственного интеллекта за хвост, читайте нас в Дзен.





Оставить комментарий

Ваш email нигде не будет показанОбязательные для заполнения поля помечены *

*

x

Это интересно

На Луне хотят построить железные дороги для езды между лунными станциями

Единственным космическим объектом, который когда-либо был посещен людьми, остается Луна. У человечества на нее очень большие планы: во-первых, в ближайшие несколько лет туда хотят вернуться астронавты. Потом сразу несколько стран планируют построить на ее поверхности лунные станции, чтобы в будущем ...

Таблетки “для ленивых” смогут заменить занятия в спортзале

Ученые создали препарат, который можно будет применять вместо занятий спортом Физическая активность необходима человеческому организму, так как наше тело эволюционировало для постоянного движения. Если же человек начинает вести малоподвижный образ жизни, например, целый день сидит в офисе, а затем вечер ...