Руководство по машинному обучению для начинающих
- Определите понятие успеха
- Создайте обучающий набор - данные, которые позволят роботу учиться
- Убедитесь, что компьютер распознает указанные данные
Успех
Первый шаг в обучении чему-либо компьютеру - это обрисовать в общих чертах, как выглядит успех. Компьютеры, как и люди, должны тренироваться. Если вы хотите, чтобы робот изучал баскетбол, вы должны сначала сказать ему, что для успеха в баскетболе необходимо переносить оранжевый мяч из рук через кольцо.
Это тот же процесс, который использует человек, чтобы научиться баскетболу. Сначала мы должны понять простую задачу, которую нам нужно выполнить, а затем практиковаться. Практика создает тренировочный набор.
Обучающий набор
Если я сделаю это → у меня получится. Если я сделаю это → я проиграю. Это тренировочный набор. Чем больше у компьютера или человека примеров успешных и неудачных попыток, тем больше у человека или робота возможностей определить идеальный метод достижения успеха.
Тренировочный набор для обучения стрельбе в баскетбол должен был сделать 1 миллион бросков в корзину. Подумайте о своем собственном опыте: изучение спорта требует повторения. С каждым выстрелом вы вносите небольшие коррективы в свою форму и силу, надеясь увеличить процент выполняемых вами выстрелов. Интеллектуальные машины проходят через тот же процесс. Получив представление о том, как выглядит успех, они со временем развиваются и корректируются на основе данных, которые они получают из обучающей выборки.
Понимание данных
Если робот не может «видеть», попал ли мяч в корзину, никакие данные тренировки не будут иметь значения. Если система не может интерпретировать, привела ли попытка к успешному результату, обучение не произойдет.
Состояние ИИ
Состояние роботизированного обучения сегодня включает в себя довольно упрощенные системы успеха - ИГРЫ. Недавно Alpha Go подожгла мир технологий, победив в игре Go, которая намного сложнее шахмат. Однако это далеко не тот интеллект человеческого уровня, о котором говорят многие. Любая игра - сложная или простая - имеет четкий набор правил. И явный победитель. Это именно те системы, которые позволяют компьютерам быстро и легко обучаться.
В то время как все правила и вариации в такой игре, как Го, сложно усвоить человеку, для компьютера это намного сложнее. Учитывая способность математически выражать правила любой игры, а также желаемый показатель успеха, компьютер может просто запускать виртуальные версии игры много-много миллионов раз в час и очень быстро создавать невероятно богатый обучающий набор. С другой стороны, человек может играть в го только ограниченное количество игр в день. Ясно, что компьютер ВСЕГДА побеждает людей в играх.
Хотя многое из нашей реальности можно описать в терминах игр, то, как мы интерпретируем и узнаем о нашем мире и успехе в нем, ВООБЩЕ не похоже на настольную игру. Хотя в баскетболе есть четкий набор правил, обычно мы не изучаем игру, читая книгу правил. Можете ли вы представить, если бы все, что мы узнали, требовало чтения книги? Это означало бы написать техническую документацию на все нюансы мира. Мы учимся совсем не так, но это ЕДИНСТВЕННЫЙ способ, которым сегодня учатся компьютеры. Обучение, которое изначально присуще человеку - и пока что невозможно с роботами, - это энтомологическое обучение.
Сенсорное обучение - что роботы не могут… пока
Мы стремимся к тому, чтобы компьютеры учились ТОЧНО как люди. Человек может наблюдать, как люди играют в баскетбол, и интерпретировать, что цель состоит в том, чтобы оранжевый мяч прошел через кольцо. Они могут слышать рев толпы, когда мяч проносится через сетку; они могут видеть удар кулака и знать, что человек, который сделал снимок, невероятно взволнован. Никто не должен говорить обычному человеку, что стрелок был просто успешным. Это интуитивно понятно. Это НАМНОГО умнее, чем система, в которой должны быть определены четкие границы и показатели успеха, прежде чем появится ЛЮБОЕ понимание.
Как только компьютеры смогут учиться через тот же сенсорный опыт, мы придем к сингулярности. Компьютеры будут определять правила и операции реальности и проводить бесконечные тесты, чтобы научиться «совершенствоваться» в достижении любой существующей цели. А пока - мы должны дать роботам особые правила - относиться к миру как к настольной игре - а это в нескольких световых годах от истинного человеческого разума.
__________
Райан Шеффер - генеральный директор Zero Slant, AI-компании, занимающейся автоматизацией обнаружения новостей в режиме реального времени. Вы можете связаться с ним по адресу [email protected]
