Source: algorithmes États-Unis et en mathématiques
Cet article sur 3800 mots , Suggestions de lecture 10+ minutes.
Pour les goulots d'étranglement techniques d'apprentissage en profondeur, l'Université de Tsinghua, Zhang Bo, et beaucoup d'autres académiciens, professeurs reçoivent leurs propres idées de recherche.
avant-propos
Dans la juste conclu la conférence CCF-GAIR, plus académiciens de grandes écoles scientifiques et techniques nationaux et étrangers de l'Université de Tsinghua, l'Université de Californie, Berkeley, Stanford et d'autres HIT réunis à Shenzhen, de partager leurs dernières recherches. Bien que les segments de chaque étude sont différents, mais à travers des présentations techniques tout au long, et ne pas éviter le fait que le nombre d'académiciens sont soit directement ou indirectement, à des algorithmes d'apprentissage en profondeur « critiques ».
Discours, ils ont fait à nouveau clair que l'apprentissage en profondeur du défaut, puis indiquent, dans les années à venir prévisibles, avec l'avancement de la recherche, le moment des algorithmes d'apprentissage en profondeur va progressivement tirer vers le bas les autels.
Cependant, le long du milieu universitaire dans l'application de l'industrie, vous trouverez l'intérêt du marché est l'atterrissage dans la technologie. Le sol que l'on appelle des scénarios innombrables agrégés dans la nature. Donc, pour les entreprises d'Amnesty International pour explorer les entreprises et l'utilisation de la technologie appropriée pour résoudre des problèmes pratiques est le poids.
Par conséquent, l'étude approfondie imparfaite, ce problème n'empêche pas le développement à court terme potentiel irrésistible moment AI, les limites de la technologie ne signifie pas qu'ils auront rien à voir la société AI.
Mais l'intello étude toujours une technologie de pointe AI à l'industrie, mais aussi le principal moteur des bénéfices des entreprises et des changements de l'industrie.
Ainsi, dans la profondeur de l'apprentissage est plus grésille instant, nous devrions essayer de se tenir sur les académiciens de la « épaule » pour voir plus loin. Les entrepreneurs en même temps sur la terre, mais ne devraient pas oublier aussi de regarder les étoiles.
Bien que cela n'a pas un nouveau sujet, mais n'a aucun moyen de résoudre le problème au sein de l'industrie. Cet article est destiné à véhiculer des idées nouvelles fournies par les chercheurs universitaires.
Machine maux d'apprentissage
Il découle d'une mauvaise compréhension de la « grande »Le moment, le terme est le plus souvent mentionné l'apprentissage de la machine, l'apprentissage en profondeur et les réseaux de neurones, avec une collection de concepts en mathématiques pour comprendre le lien entre ces trois, suivi par la relation entre eux est inclus, qui contiennent l'apprentissage de la machine d'apprentissage profondeur étude approfondie contient un réseau neuronal. Caractérisé en ce que peuvent être appelées quatre couches ou plus la profondeur de l'apprentissage du réseau de neurones, l'apprentissage est une profondeur typique de l'apprentissage de la machine.
Les années 1950, cette structure de l'algorithme de réseau de neurones apparaît, alors, son nom officiel devrait être appelé Perceptron, mais contient déjà la couche d'entrée, la couche cachée et la couche de sortie de la structure générale classique, et l'implicite le nombre de couches plus profondes description de ce qui allait devenir plus précis.
Cependant, le réseau de neurones est une sorte d'algorithme orienté entrée, de sorte que la qualité du résultat dépendra de près de « l'infini » des données de commande. Ainsi, d'ici l'an 2000 il n'y a aucun foyer de la révolution Internet, il a été dans la scène déserte.
Comme vous le savez, l'âge de l'accumulation Internet de grandes quantités de données et de la force des opérateurs cloud computing libération accrue de façon spectaculaire a considérablement le potentiel de l'algorithme d'apprentissage profond (réseaux de neurones en profondeur), et donc aussi à l'époque entière de l'intelligence artificielle, l'industrie l'application de prospérer. Les données montrent qu'en 2017 la taille du marché de l'intelligence artificielle de la Chine a atteint 21,69 milliards de yuans, soit une augmentation de 52,8%, devrait marché en 2018 atteindra 33,9 milliards de yuans.
Cependant, l'industrie arrive à maturité des applications, ainsi que le désir de tout le monde vraiment « intelligent », comptez donc des limites la force et la profondeur de l'algorithme d'apprentissage lui-même, a révélé hors de tout doute.
« Le concept du peuple dans le « big data » et nous croyons que les données est grand complètement différent, ils ont pris le traitement d'image, la quantité de données l'ordre de milliards de apparemment élevé, mais pour nous, il est en fait il est « petit échantillon ». Étant donné que la quantité de données qui peuvent vraiment forment un bon modèle, devrait être tend vers l'infini, de sorte que même de grandes quantités de données doivent former le modèle, et le modèle idéal de l'intelligence entre, mais aussi la différence dans la nature. « De la nature de l'algorithme, UC Berkeley professeur de génie électrique et informatique Ma Yi souligne également les limites de la technologie actuelle à chaud.
Ainsi, des universitaires, les investisseurs se dirigent vers les entreprises d'Amnesty International, la recherche de nouvelles technologies et l'orientation est devenue le centre maintenant.
Dans son rapport d'ouverture de la réunion, Zhang Bo Université de Tsinghua tout le monde académicien envie de penser à « comment aller vers une véritable intelligence artificielle » est devenu le ton de la conférence de trois jours, mais reflète aussi le développement de l'industrie au stade actuel, les exigences de la foule.
Explorer de nouvelles directions
méthode de traitement des données, les idées de base et des idées techniques1. Niveau de traitement des données d'espace de vecteur sémantique ou autre entrée élargie.
A vu la technologie, « plafond », de nombreux experts ont commencé à mettre en avant le concept de « petites données », mais l'intelligence artificielle Dean, l'Université de Tsinghua Académicien Zhang Bo ne pense pas que la taille est la quantité de données au moment où les mensonges de problème fondamental, at-il souligné, traditionnel AI trois éléments n'apporteront une réelle intelligence.
« L'évaluation des résultats obtenus dans l'intelligence artificielle, nous pouvons regarder de cinq choses: Deep Blue a battu le champion du monde d'échecs humain, IBM a battu deux anciens champions de jeu télévisé de télévision américain, 2015, Microsoft faire la reconnaissance d'image sur IMAGEnet , le taux d'erreur légèrement plus faible que l'homme, Baidu, iFLYTEK a également annoncé la précision de la reconnaissance est inférieure légèrement à l'humain et AlphaGo défaite Li Shishi reconnaissance de la parole chinois sur une seule phrase dans les deux premières choses classées en tant que classe, après trois choses peuvent être. classés comme un autre type.
Il a été convenu que les trois éléments qui sont cinq choses à se produire: les grandes données, pour améliorer la force du nombre et de très bons algorithmes d'intelligence artificielle de. Mais je pense que nous avons négligé un facteur est que toutes ces réalisations doivent être basées sur une scène appropriée. "
En d'autres termes, le développement de l'intelligence artificielle n'éviter les limites des conditions actuelles, et donc des machines intelligentes ne peut jouer selon les règles, il n'y a pas de flexibilité, mais aussi intelligent que les gens veulent, et qui est l'état actuel du développement de l'intelligence artificielle.
« Nous avons maintenant les méthodes de base de défauts d'intelligence artificielle, mais nous devons aller vers AI a la capacité de comprendre, ce qui est vrai intelligence artificielle. » Zhang Bo Académicien a dit dans son discours.
Alors, quelle est la solution alors? Par progressive, la parole Zhang Yuanshi donné l'idée, la direction technique et indiquer l'espace sémantique vectoriel.
« Tout d'abord, vous devez être clair que la raison de machines existantes manquent de raisonnement est qu'il n'a pas de bon sens. »
Par vérification expérimentale, la mise en place de bon sens n'améliore considérablement les performances de la machine Zhang Bo Académie des sciences. La machine est également la première étape pour établir une base de connaissances des sociétés d'intelligence artificielle pour améliorer encore les performances du système. « Les Etats-Unis en 1984 pour se livrer à une telle base de connaissances de l'ingénierie, donc je n'ai pas encore entièrement fait voir, pour se diriger vers une véritable intelligence artificielle de l'intelligence artificielle pour comprendre, est un très long chemin. »
Mais même sur la base de la mise en place de la base de connaissances, de sorte que l'on comprend l'intelligence artificielle est de toujours pas facile. Vous voulez améliorer l'intelligence de la deuxième étape, Zhang Yuanshi vue, est le monde émotionnel et intellectuel de l'unité, a un saut qualitatif dans le développement de l'intelligence artificielle qui sera.
« Apprentissage en profondeur a pu grandement favoriser le développement de l'intelligence artificielle, les technologies clés que les gens données scalaires peuvent être acquises dans un vecteur, qui est utilisé sur la machine. Mais jusqu'à présent, le comportement (vecteurs de caractéristiques) et des données ( symboles vecteur) est toujours utilisé en conjonction avec les difficultés de la recherche scientifique, ce qui limite les machines deviennent plus «intelligents».
Non seulement cela, du point de vue de la sécurité, le système piloté par les données pur est aussi un gros problème - la robustesse des pauvres, vulnérables à beaucoup d'interférences. Ainsi, dans la formation d'un grand nombre d'échantillons, le système fera une erreur majeure. Tels que la dynastie des Shang, la tête Kuang comme les autres sociétés ont également dit que même le taux de précision du modèle de système formé de jusqu'à 99%, mais dans la pratique, le système encore faire beaucoup d'erreur « handicapés mentaux ».
« Nous arrivons maintenant à une solution de ce genre, c'est la caractéristique espace vectoriel et les symboles projetés sur un espace vectoriel go, cet espace que nous appelons l'espace sémantique vectoriel. »
Comment faire? Zhang Yuanshi dit:
- Tout d'abord, nous devons Par Embedding (intégré) dans le vecteur de symbole , Essayez de garder la sémantique est pas perdu;
- Le second est Raising (ascenseur), combinée à la discipline du nerf , L'espace de fonction pour soulever l'espace sémantique.
« Seulement en abordant ces questions, nous serons en mesure de créer une théorie unifiée, parce que dans le passé, les méthodes de traitement de perception et de la cognition sont différents, les deux ne sont pas la même dimension, ne peut pas être processus unifié. Mais si nous sommes en mesure de percevoir et reconnaître savent projeté dans le même espace, nous pouvons construire un cadre théorique unifié pour comprendre et résoudre des problèmes dans l'espace sémantique vectoriel. Tel est notre objectif, mais ce travail est très difficile ".
2. L'idée de base de la subversion, ou future informatique floue.
« Que la connaissance de la cartographie, l'espace sémantique vectoriel ou autre profondeur actuelle de l'apprentissage et de la formation, ils sont basés sur la théorie des probabilités statistiques, la logique floue n'est pas, qui est basée sur la théorie basée ensemble flou. » Très gras, du niveau idéologique, professeur d'informatique à l'Utah State University engagement à vie Hengda donné des idées subversives.
En fait, la logique floue est pas un concept nouveau. En 1931, Kurt Gödel a prouvé que sous la forme d'articles publiés dans la théorie des nombres (c.-à-arithmétiques et logiques) systèmes « théorème incomplétude », la logique floue est née. En 1965, un document sur le doctorat ensembles flous à l'Université de Californie a publié, marquant la première théorie mathématique humaine décrit avec succès l'incertitude.
« Maintenant, le domaine de l'informatique, 0 ou 1, et nous décrivons beaucoup de composantes d'incertitude entre 0-1, en fait, le processus décrit est la cause des résultats. Avec deux bouteilles d'eau, par exemple, une bouteille marque d'eau « est la probabilité que l'eau pure est de 0,91 », et une autre bouteille d'eau est marqué sur la « pureté de l'eau est de 0,91 », qui choisiriez-vous une bouteille de celui-ci? de toute évidence, vous choisiriez celui-ci. ici le processus de réflexion du jugement la logique floue est, comme celui-ci dans la mesure décrite est essentiellement ambiguë ».
À l'heure actuelle, similaire au système logique classique (de calcul, algèbre linéaire, la biologie et d'autres disciplines dérivées), la logique floue a progressivement formé son propre système logique.
Cependant, même la meilleure technologie, combinée avec les besoins de l'application de démontrer ses avantages. À cet égard, le professeur Cheng a également accordé une attention particulière, il a donc choisi le domaine du diagnostic précoce de la recherche sur le cancer du sein. « Jusqu'à présent, notre échantillon de conception a été plus de vingt pays à travers le monde, plus de cinquante équipes à utiliser. »
Professeur Cheng en vue, la technologie existante, il est un très évident lacunes, nous avons besoin de faire couler le cur venir et analyser les problèmes, et donc d'explorer les moyens d'améliorer. « Maintenant, nous sommes dans la simulation de l'onde électrique cérébrale, mais en fait il n'y a pas seulement des signaux électriques dans le cerveau, il y a une réaction chimique. Et beaucoup de gens qui font le traitement d'images médicales, le traitement d'image est vraiment juste faire, pas la médecine traitement d'image, parmi eux il y a une très grande différence ".
3. Idées technique: un grand complexe au simple
Le moment, le visage de l'absence de progrès dans la technologie, l'IA est l'anxiété évidente. Différent des idées techniques spécifiques donnés ci-dessus professeurs Compagnons, le professeur Ma Yi est plus comme la communauté scientifique, « Lu Xun », il a fait une photo des patients avec des présentations PPT de papiers de haute qualité, pour tout le monde de réveiller à l'IA la pensée.
« Les réseaux de neurones, les données d'importation il y a un petit changement, le classement sera un grand changement, ce n'est pas une nouvelle découverte, en 2010, je rencontre un tel problème, mais jusqu'à présent, pas été résolu. » Commence son discours, Ma Yi, il a un « cliché », le pot impitoyable de l'eau froide versée dans un grand nombre d'IA gens aveuglément optimistes.
La technologie de reconnaissance erronée, Ma Yi a également essayer de se corriger.
« Dans la reconnaissance des visages, que l'algorithme est robuste, mille fois plus difficile que d'écrire un AlphaGo. »
« Tout le monde dit que le réseau de neurones plus le meilleur, cela est tout simplement absurde. »
Sous réserve du ridicule, engagé dans la recherche depuis plusieurs années, Ma Yi donne son propre sens de la pensée: « L'algorithme réel de qualité de haute doit être la plus simple, comme l'itération, récursivité, ainsi que ADMM classique, ces algorithmes simples est très bon, il est également utile ".
épilogue
Ensuite, le développement de l'intelligence artificielle et de développement ne sont pas optimistes, en particulier l'industrie va entrer dans une période douce, mais cela ne signifie pas le monde universitaire et l'industrie n'a rien à voir.
Comme académicien Zhang Bo a souligné, « Nous sommes sur la route de vrai IA maintenant ne disparaît pas, à proximité du point de départ, mais l'IA toujours sur la route, nous devons être préparés mentalement, ce qui est le charme de l'intelligence artificielle. "
- FIN -attention Tsinghua - données Académie des sciences de Qingdao plate-forme publique micro-canal officiel " données d'envoi THU « Sisters et n ° » Les données envoyées THU « Pour plus de conférences et de bien-être contenu de qualité.
