Соревнование и сотрудничество обычно рассматриваются как взаимоисключающие, особенно в академических учреждениях, которые практикуют выставление оценок по кривой. Сотрудничество окупается, поскольку это не влияет на индивидуальную производительность, и многие принимают конкурентное поведение по мере приближения экзаменов. Это не обязательно так; люди могут одновременно соревноваться и сотрудничать, как я продемонстрирую на примере использования агентного моделирования и технологии глубокого обучения.

Я познакомился с агентным моделированием на уроке вычислительного мышления, который я посещал в Университетской программе стипендиатов NUS. Во время одной из лекций мы изучили эволюцию альтруистических и кооперативных привычек с помощью агент-ориентированной модели, которая имитирует поведение альтруистических и эгоистичных агентов.

Модель сначала рандомизируется с каждым участком в поле, занятом агентом. На каждом временном шаге агент будет пытаться посадить «семена» вокруг своих соседних участков, которые затем вырастут в альтруистического или эгоистичного агента. Вероятность того, что каждый новый агент будет альтруистом или эгоистом, зависит от затрат и преимуществ альтруизма, который является фактором, смоделированным между 0 и 1. В этих условиях я провел два моделирования, чтобы визуализировать распространение альтруизма и эгоизма в этом воображаемом мире. .

Моделирование - отличный инструмент для понимания взаимосвязей в сложных системах. С их помощью мы визуализируем, как изменение параметров может повлиять на результаты, которые могут быть более полезными, чем обучение на слух или чтение. В этом моделировании я изменил нагрузку на агентов и заметил следующее.

Сопоставление этих двух симуляций помогло мне прийти к довольно загадочному выводу. Эгоистичные агенты были более конкурентоспособными, и такая конкуренция не всегда приводила к хорошим результатам, особенно в стрессовых условиях. Итак, что на самом деле означает здоровая конкуренция? Когда мы в конце концов выходим в общество как работающие профессионалы, что важнее - сотрудничать или соревноваться?

Мне нужен был альтернативный взгляд на конкуренцию, который появился в виде статьи ученого-исследователя искусственного интеллекта Яна Гудфеллоу. Гудфеллоу предлагает новый подход к разработке генеративных моделей с использованием математических абстракций мозга. Математика, лежащая в основе этих генерирующих состязательных сетей (GAN), здесь не так важна, но знайте, что это простой подход, включающий состязательный процесс.

Если предыдущие достижения в области глубокого обучения были связаны с дискриминационными моделями, то GAN носили генеративный характер. С одной стороны, в задачах различения, таких как распознавание изображений, используются машины, пытающиеся различать изображения объектов, а технический прогресс сделал такие задачи относительно тривиальными. С другой стороны, генеративные задачи значительно сложнее, потому что они требуют, чтобы машина была творческой и могла создавать уникальные изображения новых объектов.

GAN генерируют новые изображения, изучая и обобщая функции из существующих изображений, прежде чем собирать их вместе, как это сделал бы художник. Я случайно наткнулся на проект членов сообщества с открытым исходным кодом, в котором они пытались создать новый дизайн покемонов с использованием GAN, и результаты меня очень удивили.

Хотя сгенерированные покемоны, по общему признанию, далеки от завершения, способность GAN изучать и обобщать спиральные паттерны на Poliwhirl демонстрирует заметное улучшение по сравнению с его предшественниками. Отношения между Генератором и Дискриминатором аналогичны другим знаковым соперничествам, например, между футболистами Криштиану Роналду и Лионелем Месси. Оба считаются двумя лучшими игроками всех времен и постоянно стараются превзойти друг друга, чтобы зарекомендовать себя как неоспоримый номер один. Благодаря этому процессу они мотивированы усерднее тренироваться, чтобы стать лучшими версиями самих себя.

«Мы иногда толкаем друг друга, поэтому конкуренция такая высокая». - Криштиану Роналду

Аналогичным образом Генератор и Дискриминатор в GAN работают в оппозиции друг к другу и пытаются перехитрить друг друга, очень быстро улучшаясь в процессе. Со временем Генераторы создают более реалистичные изображения, которые труднее различить Дискриминаторам, которые затем вынуждены лучше улавливать Генераторы.

Оказывается, конкуренция и сотрудничество в конце концов не сильно отличаются. Сети GAN предлагают альтернативный взгляд на отношения на рабочем месте, который не объединяет конкуренцию и сотрудничество как отдельные концепции, а вместо этого предлагает, что конкуренция и сотрудничество, по сути, одно и то же. Сами по себе генераторы и дискриминаторы не являются мощными по сравнению с предшествующими нейронными сетями, но вместе они взаимодействуют и вносят свой вклад в общий успех системы через рекурсивную конкуренцию.

Хотя реальный мир, возможно, более сложен, чем может быть смоделирован с помощью состязательного процесса, понимание того, что конкуренция и сотрудничество могут сосуществовать в одних отношениях, является важным фактом, и потенциальный член рабочей силы, или начинающий менеджер, могли бы принять, чтобы лучше максимизировать ценность своей команды.

Андре - амбициозный аналитик данных. Ожидается, что он закончит обучение в мае 2018 года, и в настоящее время он ищет возможности для выхода в поле. Зайдите на его шикарный личный сайт или свяжитесь с ним через LinkedIn! Вы также можете просмотреть его резюме здесь.

Присоединяйтесь к 30 000+ человек, которые читают еженедельную рассылку Машинное обучение, чтобы понять, как ИИ повлияет на то, как мы работаем и живем.