[Réseau nuage de chasse (Micro Signal: ilieyun)] 17 ~ Avril rapport (compilé: Cai Miaoxian)
Note de l'éditeur: L'auteur est un rédacteur principal Chevalier du MIT Technology Review. Principalement liée à l'intelligence de la machine, la robotique et de l'automatisation, nous sommes également intéressés à la plupart des aspects de l'informatique électronique.
L'année dernière, une voiture auto-conduite dans le New Jersey Monmouth County. voiture d'essai de voitures de fabricant de puces Nvidia main, de l'extérieur et Google, Tesla ou d'autres véhicules autonomes communs pas très différents.
Mais il est par nature très différente. Cette voiture n'a pas besoin d'ingénieur d'instructions ou programmeur, à la place, il repose sur un ensemble d'algorithmes d'apprendre en regardant un pilote humain à conduire.
Faites une voiture faire ce niveau, il est en effet un grand pas en avant.
En même temps, il fait aussi le cur des gens, qui sait ce que cette voiture à la fin est de prendre une décision encore. Le programme de conduite, les informations de voiture recueillies par le capteur directement dans un vaste réseau de neurones artificiels pour le traitement des données, et envoie ensuite l'instruction, il tourne le volant, le frein ou entre amis, ou d'autres actions similaires. Il semble que la voiture peut imiter la réponse des conducteurs humains.
Cependant, si un jour, il a fait quelque chose d'inattendu - par exemple, a frappé l'arbre, ou stationné devant le feu vert ne va pas - comment faire cela? Dans les circonstances actuelles, nous ne pouvons pas être en mesure de trouver facilement les raisons derrière elle. Le système est trop complexe, même si elle est de développer ses ingénieurs sont difficiles à séparer la raison derrière chaque action. Et vous pouvez aussi ne pas laisser les ingénieurs conçoivent un système capable d'expliquer l'action.
Car le mode « mystérieux » de la pensée, ce qui est un gros problème potentiel de la technologie de l'intelligence artificielle. La technologie d'intelligence artificielle utilisée par voiture NVIDIA, aussi appelé l'apprentissage en profondeur. Ces dernières années, la technologie affichée sur la résolution du problème de la forte capacité, mais en termes de capture d'image, la reconnaissance vocale et la traduction, l'intelligence artificielle a été largement utilisé. Maintenant, certaines personnes ont commencé à imaginer utiliser l'intelligence artificielle de diagnostiquer une maladie mortelle, et d'autres décisions d'affaires.
Cependant, une telle chose ne se produira pas - ou ne devrait pas dire cela se produise, à moins de trouver un moyen de garder les développeurs technologiques pour mieux comprendre la pensée de l'intelligence artificielle, il est également responsable de l'utilisateur. Si l'adoption de la hâte, nous ne serons pas en mesure de prévoir quand une catastrophe - et cela est lié à se produire. Ceci est également la raison pour laquelle la voiture NVIDIA est encore au stade expérimental.
Bien avant que nous avons commencé à utiliser des modèles mathématiques pour aider à la prise de décision, par exemple, qui peut demander une libération conditionnelle, qui peut obtenir un prêt, qui peut obtenir un emploi. Si vous avez accès à ces modèles mathématiques, vous pourriez être en mesure de comprendre leur modèle de prise de décision. Mais maintenant, la banque, militaire, les employeurs ont commencé à chercher des méthodes plus sophistiquées d'apprentissage machine, automatiser mieux l'ensemble du processus de prise de décision.
l'apprentissage en profondeur la prise de décision est la technologie la plus commune, avec l'ancien représentant tout autre programmation informatique. Dédié aux applications techniques de recherche d'apprentissage machine au professeur du MIT Tommi Jaakkola a déclaré: « Cette question a été étroitement liée à nous, l'avenir sera de savoir s'il est plus fréquent de prendre des décisions d'investissement, les décisions du diagnostic de la maladie, ou les décisions militaires, vous ne voulez pas terminer. un modèle de boîte noire qui en dépendent ".
La raison de la décision de contester le système d'intelligence artificielle devrait être établie comme une loi, cette question a été largement débattue. De l'été 2018, l'UE pourrait être demandé à chaque entreprise d'expliquer le système automatisé de prise de décision. Toutefois, cette disposition peut tout simplement pas se rendre compte que même apparence système relativement simple - par exemple l'utilisation de l'apprentissage en profondeur pour diffuser des annonces ou recommander des applications chansons et sites web. Ces services ont leur propre ordinateur reprogrammant et leur mode de programmation, nous ne pouvons pas comprendre. Même le développement de ces applications ingénieurs ne peut expliquer pleinement leur comportement.
Cela pose la question des adversaires. Oui, nous les humains n'expliquent pas toujours leur processus de pensée, mais nous pouvons intuitivement faire confiance aux autres, d'évaluer les autres. Face à une pensée humaine et le processus de prise de décision avec une machine complètement différente, l'intuition peut fonctionner?
Nous ne les machines elles-mêmes inventé ne peuvent pas comprendre même les développeurs, alors nous pouvons nous attendre et comment ces machines pour communiquer et le long imprévisible il?
Avec ces questions, je me suis embarqué dans un voyage pour trouver la réponse. De Google à Apple, je suis allé les entreprises en développement algorithmes d'intelligence artificielle, et même les philosophes contemporains les plus connus ont eu une conversation.
2015, Hôpital Mount Sinai, a été inspiré par un groupe de chercheurs, en commençant par la technologie de l'apprentissage en profondeur pour analyser un grand nombre de dossiers médicaux hospitaliers. Ces données peuvent être divisés en centaines, y compris le résultat de détection du patient, voir les dossiers médicaux. Les chercheurs analyseront ce système nommé patient profond, après le développement est achevé, avec 70 millions d'exemplaires de leurs données sur les patients a été réalisée la formation. Les résultats démontrent, lorsque les nouvelles données de test, des expositions Deep patients prévision exceptionnellement élevée de la maladie. En l'absence d'orientation des experts, les données hospitalières profondes modèles cachés patients trouvés, et ces modèles indiquent si l'autre partie souffrira de certaines maladies. Bien sûr, selon les dossiers médicaux dans les maladies de prévision, il y a beaucoup d'autres méthodes, mais Joel Dudley en charge de l'équipe de recherche du Mount Sinai Hospital, a déclaré: « il vaut mieux. »
En même temps, profond patient permet également aux médecins perplexes certains. Par exemple, profond des patients très bien au traitement de troubles psychiatriques de prévision, par exemple la schizophrénie. Est devenu un médecin sait, la schizophrénie est extrêmement difficile pour l'homme de diagnostic médecin, Dudley n'a pas été tout à fait sûr de savoir comment identifier les patients en profondeur sur. A ce jour, il ne sait pas.
Si un tel système, tels que les médecins Deep patients veulent vraiment aider, alors il est préférable de fournir des prédictions théoriques de base, ou comment faire croire à son exactitude. « Nous pouvons créer ces modèles, » Dudley a dit avec un sourire narquois, « mais ne savent pas comment ils fonctionnent. »
L'intelligence artificielle ne naît pas de cette façon. Pour l'intelligence artificielle devrait être à comprendre et à interpréter, il y a deux factions principales.
Beaucoup de gens croient que la machine doit être fabriquée selon certaines règles et la logique, de sorte que le fonctionnement interne ouvert et transparent, accessible à tous ceux qui veulent tester un code. Certaines personnes pensent que l'intelligence qu'avec l'inspiration biologique - qui est, l'observation, l'expérience des activités humaines afin de développer plus facilement. Cela signifie que nous devons aux tâches de programmation informatique à la machine elle-même.
apprentissage machine est la suivante: les programmeurs écrivent des instructions pour résoudre un problème, le programme de générer son propre algorithme basé sur des exemples de données et les attentes. Après cela, les techniques d'apprentissage appareil sont le long de la route - qui est, écrivez votre propre programme - être mis à niveau vers le système d'intelligence artificielle de la plus puissante d'aujourd'hui.
Dans un premier temps, l'utilisation effective du mode de réalisation décrit ci-dessus est très limitée. Les années 1960 et 1970, l'industrie de la technologie la plus apprentissage machine vacille encore au bord. Mais bientôt, de nombreuses industries ont commencé à calculer, les grandes données ont donné naissance à de nouveaux points d'intérêt, la technologie d'apprentissage machine plus puissante se met en place, en particulier les réseaux de neurones artificiels. Dans les années 1990, le réseau de neurones peut déjà digitalisée caractères écrits à la main.
Cependant, l'augmentation du temps réel AI, mais aussi quelques-unes au cours des 10 dernières années. Après plusieurs changements de mode de développement et d'amélioration, très grande - ou « profondeur » - le réseau de neurones a montré des progrès remarquables dans la perception automatique. Etude approfondie de l'intelligence artificielle est la base de l'épidémie d'aujourd'hui, il donne la puissance infinie de l'ordinateur, par exemple le niveau presque humain de la reconnaissance vocale. Étant donné que le système de reconnaissance vocale est trop compliqué, il ne pouvait pas les programmeurs déjà mis au point. Aujourd'hui, ce système a été utilisé dans l'industrie pharmaceutique, la finance et la fabrication.
Même pour les informaticiens, l'exploitation des techniques d'apprentissage automatique sont également inconnus obscures, beaucoup moins facile de comprendre la programmation manuelle. Mais cela ne signifie pas que toutes les technologies de l'intelligence artificielle futur sont agnostique, mais essentiellement, l'apprentissage en profondeur est comme un intérieur invisible la boîte noire.
Vous ne pouvez pas explorer directement au réseau de neurones interne, pour voir comment cela fonctionne. inférence de réseau de neurones basé sur des milliers de neurones simulés répartis sur des dizaines ou des centaines de couche d'interconnexion complexe. Chaque neurone de la première couche est chargée de recevoir les données d'entrée, telles que l'intensité de pixels d'image, ces neurones consisterait à calculer les données, il génère un nouveau signal à la couche suivante, et ainsi de suite jusqu'à obtention du résultat final. En outre, le réseau neuronal à rétropropagation peut être garantie à un résultat souhaité.
La profondeur de la structure multicouche du réseau leur permet également de reconnaître des objets à partir d'une pluralité de niveaux d'abstraction. Par exemple, dans la conception d'un système permettant d'identifier le chien, et d'autres neurones bas niveau chargé d'identifier les lignes de but simples ou les couleurs, les neurones de haut niveau chargé d'identifier et d'autres cheveux ou les yeux responsables des objectifs, tout en haut des neurones reconnaissent c'est un chien. Grosso modo, cette méthode peut également être utilisé pour la machine d'auto-apprentissage, telles que l'identification de la prononciation de la langue, le fonctionnement du volant dans les lettres de texte, les mots ou la conduite en rotation.
Il y a quelques années, les chercheurs ont commencé à concevoir des stratégies pour essayer de comprendre ce qui est arrivé à l'intérieur de ces systèmes. 2015, les chercheurs de l'algorithme Google définis de reconnaissance d'image basée sur la profondeur de l'apprentissage a été modifié, la reconnaissance de l'objet devient une génération ou de modification. Tant que la commande marche arrière cet algorithme, ils seront en mesure de savoir comment ces programmes est d'identifier les oiseaux, les bâtiments et autres objets. Bientôt, ce nom de code résultats du projet de recherche inverse rêve profond étaient sortis, les nuages et les plantes selon le programme, le dessin d'un groupe d'horreur absurde, la forme d'images d'animaux exotiques, entre les forêts et les vallées, que dans l'illusion pagode apparaît.
Rêve profond dessiné des images pour prouver la profondeur de l'apprentissage ne peut pas être tout à fait incompréhensible. Bien qu'ils puissent reconnaître la fonction visuelle familière du bec, la langue et la capacité cognitive, mais l'homme reste un grand écart par rapport. Par exemple, nous savons tous que les ignorer artefacts d'image, mais ceux-ci ne comprend pas la profondeur du réseau d'apprentissage. Google chercheurs ont noté que lorsque l'algorithme haltère prêt à dessiner une image, il ajoutera automatiquement le bras humain, parce que le système est considéré comme faisant partie de l'haltère bras.
En réponse à ces problèmes, les scientifiques ont emprunté la science et les connaissances scientifiques neurocognitive, a été encore améliorée. Par exemple, professeur adjoint de l'Université du Wyoming Jeff Clune a dirigé une équipe à la profondeur des réseaux de neurones et testé avec les images ci-dessus images similaires illusion. 2015, les études de l'équipe Clune ont montré que certaines images vont tromper le système, laissez-identifier les objets qui n'existent pas. En effet, ces images capture les caractéristiques de la recherche de modèle du système.
Nous avons besoin, pas Yikongzhixian, mais une exploration complète du mode d'intelligence artificielle de la pensée, ce n'est pas facile. La profondeur de l'interaction du réseau de neurones de haut niveau de calcul reconnaissance de formes et de prise de décision est essentielle, mais derrière ces calculs, un grand nombre de fonctions mathématiques et de variables. Lorsque « Si votre réseau de neurones à petite échelle, vous pourriez être en mesure de comprendre comment cela fonctionne. » Dit Jaakkola « , mais une fois l'échelle à des centaines de couches, chaque couche avec des milliers d'unités de neurones, il est difficile de Je comprends ".
Dans le prochain bureau Jaakkola, professeur de MIT Regina Barzilay, elle était déterminée à rendre la technologie d'apprentissage automatique à l'industrie pharmaceutique. 43 ans, Barzilay a reçu un diagnostic de cancer du sein, elle a été choquée. Cependant, laissant son grand désarroi, le plus d'avant-garde des méthodes statistiques et l'apprentissage automatique ne fait pas appliquer aux études de cancérogénicité ou les soins aux patients. dit Barzilay, AI a une grande industrie pharmaceutique potentiel d'innovation, mais veut creuser ces potentiels inévitablement eu à aller de l'avant sur la base de l'analyse des dossiers médicaux. Barzilay aimerait dépenser plus sur les données brutes à l'avenir, par exemple les données d'image, des données pathologiques et ainsi de suite.
L'année dernière, après la fin du traitement du cancer, Barzilay a commencé à diriger les élèves et les médecins du Massachusetts General Hospital ont élaboré conjointement un système d'analyse du rapport de pathologie pour identifier les caractéristiques cliniques spécifiques chercheurs veulent étudier. Cependant, Barzilay savoir, le système est incapable d'expliquer leur raisonnement. Alors, elle et un étudiant et Kaakkola ensemble, le système ajoute une étape: sélection, texte de l'étiquette dans le paragraphe au nom de certains modèles pathologiques. En même temps, Barzilay et étudiants algorithmes d'apprentissage encore écrits en profondeur, en essayant de trouver les premiers symptômes du cancer du sein en léger film X sein, et de montrer les raisons derrière les résultats.
Tout comme le comportement humain ne peut pas être pleinement expliqué, comme l'intelligence artificielle de ne peut pas savoir pourquoi ils font cette décision. Clune a déclaré: « Même si une personne mots Zaozao vous dire pourquoi un certain comportement derrière lui, pour cette raison, il peut aussi être à sens unique, l'intelligence artificielle, elle applique également ce principe peuvent avoir leur propre intuition, inconscient, ou est secret. ".
Si oui, à un certain temps futur, nous pensons que le juge ne peut choisir l'intelligence artificielle, ou complètement sans elle. De même, l'intelligence artificielle de juge, mais aussi avec l'intelligence sociale. La société humaine construite au-dessus du contrat de comportement attendu, nous devons respecter les normes sociales des systèmes d'intelligence artificielle, intégrés dans les normes sociales. Si nous avons l'intention de réservoirs de fabrication et d'autres machine à tuer robot, leur processus de prise de décision doit être le jugement éthique.
À cet égard, le célèbre philosophe Tufts University et cognitiviste Daniel Denneyy dit: ?? « La question est, quels critères faut-il adopter pour exiger des systèmes d'intelligence artificielle ou d'un système d'intelligence artificielle n'est pas comme si notre propre interprétation de leur propre comportement humain, alors il ne faut pas leur faire confiance plus ".
Cet article provient de réseau de nuages de chasse, si la réimpression, s'il vous plaît indiquer la source: http: //www.lieyunwang.com/archives/299297
