Was passiert, wenn Sie künstliche Intelligenz unbeaufsichtigt lassen?

Inhalt:

Unabhängige KI

Obwohl es bereits eine schlechte Form ist - um das letztjährige Match von Alpha Go und einer Person im ersten Absatz zu erwähnen, lassen Sie uns mit diesem Beispiel beginnen. Er interessiert sich für uns, weil dies vielleicht der erste adäquate Fall einer "selbstlernenden KI" ist. Es gibt viele andere Beispiele, aber bis heute haben sie die Labore nicht verlassen und sind der Öffentlichkeit im Allgemeinen unbekannt. Im Zentrum des Selbststudiums von AlphaGo standen die vielen Stunden des Spielens mit sich selbst sowie das Studium der gespielten Spiele.

Dieser Wettbewerb von Mensch und Auto zog die Aufmerksamkeit aller wichtigen Publikationen auf sich. Ich habe wie immer gebremst und hatte keine Zeit für diesen wunderschönen Memo-Zug des modernen Journalismus. Aber die „Konfrontation des Jahrhunderts“ ist nicht nur wegen des Rummels um sie interessant (eine Million Dollar Preisgeld, Verleihung des 9. Dan im Go-Spiel, wissenschaftlicher Durchbruch des Jahres gemäß Science) und eines ausgeprägten Geschmacks von Azimov-Fiktion. Das Wesentliche der Aktion in Kürze: Die AlphaGo-Spielmaschine dominierte und gewann 4 von 5 Spielen im traditionellen orientalischen Go-Spiel. Sie gewann nicht bei irgendeiner erstplatzierten Spielerin, sondern bei dem koreanischen Go-Profi 9 Dan Lee Sedol (2. Platz in der internationalen Wertung). Experten sagen, dass dieser Fall nicht wie eine Schachschlacht zwischen einem Computer und Garry Kasparov aussieht, da der Computer 1997 unter der Aufsicht von Schachspielern trainiert wurde, die selbst Strategien geschrieben und ihn trainiert haben. Für das Training des AlphaGo-Players wurde die Brute-Force-Methode verwendet (die Maschine hat eine Stichprobe von Hunderttausenden von Parteien betrachtet), die den im Volksmund als GANs (Generative Adversarial Networks) bekannten wissenschaftlichen Arbeitsmodellen ähnelt. Sie sind von besonderem Interesse, da sich Vertreter des AlphaGo-Teams mit diesen wettbewerbsfähigen neuronalen Netzen auseinandergesetzt haben. Wir werden sie in diesem Artikel berücksichtigen.

Ein solcher Ansatz für das Training künstlicher Intelligenz ist keine Neuigkeit mehr - generative konkurrierende Netzwerke oder nur GANs erschienen erstmals 2014 mit Hilfe von Ian Goodfellow. GANs arbeiten sehr einfach - als Bündel von Anwälten, schlecht-guten Polizisten oder Kritikern. Ein Netzwerk (Diskriminator, D) klassifiziert eingehende Daten als falsch oder wahr. Ein konkurrierendes Netzwerk (Generator, G) untersucht die Schätzungen des Diskriminators und kann basierend auf diesen Schätzungen neue Daten erstellen. Diese neuronalen Netze unterrichten sich gegenseitig. Und am interessantesten ist, dass GANs nur sehr kleine Stichproben von Trainingsinformationen benötigen - der Generator benötigt nur wenige hundert Bilder und drei oder vier Wiederholungsrunden, um eigene Versionen der Originalbilder zu erstellen (bevor der Lernprozess für neuronale Netze viele Stunden und Millionen von Stichproben erforderte).

Eines der am meisten interessierten GAN-Modelle von AI war Facebook, das sogar beeilte, einen Post darüber zu veröffentlichen. Warum Facebook? Weil es der öffentlichste Player auf dem High-Tech-Markt ist - sowohl Google als auch Amazon und Microsoft kaufen massiv Teams und Start-ups für künstliche Intelligenz, um ihre eigenen Entwicklungen zu entwickeln. Aber sie liegen etwas hinter Facebook zurück, das eine riesige Auswahl an KI-Trainings für Bilder (Computer Vision ist eine der beliebtesten KI-Trainingsmethoden) und ein exzellentes FAIR-Team (Facebook Artificial Intelligence Research Group) hat.

Zusammenfassung: Das Diskriminatorennetzwerk lernt, echte Fotos von computergenerierten Fotos zu unterscheiden, und der Netzwerkgenerator trainiert, um realistische Fotos zu erstellen, die nicht vom Original zu unterscheiden sind. In diesem Trainingsrennen haben beide Netzwerke gleiche (?) Erfolgschancen. Was passiert, wenn sie ihre Ausbildung abgeschlossen haben?

Trendfall

In den letzten Jahren erlebt das maschinelle Lernen gerade ein goldenes Zeitalter - die zunehmende Leistung von Computern und der sofortige Zugriff auf große Datenfelder machen diesen Bereich sehr heiß. Heute ist AI ein Ford-Auto zu Beginn des letzten Jahrhunderts oder ein Weltraumsatellit in den 60er Jahren - ein allgemeiner Ansturm, schwindelerregende Vorhersagen und ein schwaches Verständnis dafür, was mit all diesem Reichtum zu tun ist. Nachfolgend finden Sie Beispiele für die neuesten hochkarätigen Technologien auf dem Gebiet der KI.

Einmaliges Lernen ist das Trainieren von neuronalen Netzen mit einer kleinen Datenmenge, idealerweise mit einem einzigen Beispiel und einer kleinen Stichprobe für das Training. Immer mehr Startups arbeiten an einer schnell lernenden KI.

Der Spielalgorithmus DeepStack wiederholte also nicht das Schicksal von Alpha Go, sondern kam dem erfolgreichen Training in kleinen Samples sehr nahe. Ende 2016 führte DeepStack eine Reihe von Texas-Pokerspielen mit 11 Spielern der internationalen Pokerorganisation durch. Der Algorithmus benötigte 3000 Kombinationen mit jedem Spieler, um anständige Ergebnisse zu erzielen - selbstbewusste Siege (durchschnittlich 396 Punkte) über zehn Spieler und einen knappen Sieg über den elften (70 Punkte, statistische Genauigkeit). Der Algorithmus wurde nicht nur im Verlauf von Spielen erlernt, sondern es wurde auch die Methode des Auflösens angewendet (Anpassung an jeden neuen Spieler und jede neue Kartenkombination). DeepStack ist das Ergebnis der gemeinsamen Nutzung rekursiver neuronaler Netze und GANs.

Das neuronale Netzwerkprojekt Microsoft ResNet wird für die Bilderkennung verwendet. Wenn Sie die Arbeit des neuronalen Netzwerks erfassen, während Sie Bilder sortieren und erkennen, erhalten Sie die folgenden Bilder:

Perspektivische Richtung in der Forensik und Fotografie, Face Aging With GANs - ein Diskriminator-Generator-Paar, das nach einem Training auf 5.000 Fotografien von menschlichen Gesichtern unterschiedlichen Alters Veränderungen von Individuen mit zunehmendem Alter reproduzieren und vorhersagen kann. Wenn der Generator eine ältere Person reproduziert, bestimmt der Diskriminator, wie stark das Ergebnis mit dem Original übereinstimmt.

King of Goldman Sachs-Händler ersetzten einige ihrer Händler durch Algorithmen. Der Platz von 600 gewöhnlichen Händlern wird jetzt von 200 Entwicklern und Ingenieuren besetzt, die Handelsalgorithmen unterstützen. Dies ist mit einem umfangreichen (146 Punkte) Bankverwaltungsplan zur Automatisierung einfacher Maklergeschäfte verbunden. Händler mit langjähriger Erfahrung und erfahrenen Verkäufern sind davon nicht betroffen.

Obwohl in einigen Hedge-Fonds (Sentient Technologies Inc., Numerai, Emma Hedge Fund) AI-basierte Trader-Algorithmen bereits die gesamte Arbeit der Analyse- und Prognoseergebnisse übernehmen. In der Regel sind Spezialisten für KI nicht begeistert von der Arbeit für Finanzunternehmen, aber die Vorteile großer Datenmengen und Schulungsmöglichkeiten für KI überwiegen die Skepsis und die mangelnde Bereitschaft, für kapitalistische Molochs zu arbeiten. 2016 war das Geburtsjahr mehrerer Hedgefonds, in denen künstliche Intelligenz gehandelt wird.

Chinesischer Zwilling "Google" Baidu schläft auch nicht. Die meisten chinesischen Entwicklungen auf dem Gebiet der KI und des maschinellen Lernens werden kostenlos verteilt, und jeder kann sie testen und studieren. Im Januar 2017 wurde in Peking ein Labor für künstliche Realität eröffnet, in dem Andrew Eun sich mit virtueller Realität und der Arbeit von Suchmaschinen anfreunden möchte.

Eine weitere vielversprechende Entwicklung von Baidu ist der medizinische Bot Melody, der in der Lage ist, eine primäre Patientenumfrage durchzuführen und die gesamte Registrierungsabteilung in Polikliniken zu ersetzen.

Demokratisierung der KI - Heutzutage benötigen Forscher eine große Menge an Informationen und Rechenleistung, sodass nur große Unternehmen und Forschungsinstitute auf dem Gebiet der KI wettbewerbsfähig sind. Sobald AI-Modelle auftauchen, die in der Lage sind, kleine Informationsmengen zu studieren, wird dies noch interessanter, da noch mehr Menschen in der Lage sein werden, AI zu trainieren und zu erforschen. Vielleicht wird es (bereits) soziale Netzwerke geben, in denen die Menschen ihre Fortschritte bei der Ausbildung ihrer KI-Agenten teilen können.

Die Distribution erhält Mechanismen zur automatischen Erkennung von gefälschten Nachrichten, Fotos und Videos. Die Entwicklung von IBR (Image-based Rendering), einer Technologie, die das Zeichnen neuer Frames auf der Basis vorhandener Frames ermöglicht (ähnlich den bereits zwischengeschalteten Methoden oder der Bewegungsinterpolation), erfordert lediglich das Erscheinen eines solchen Fake-Analysators.

Ein weiteres Hallo aus dem brüderlichen China ist die Entwicklung der Gesichtserkennung Face ++, mit der Sie mit Ihrem Gesicht bezahlen können (es ist schwer zu zählen, wie viele Ebenen sich in diesem Wortspiel befinden). Das Testen der Entwicklung basiert auf dem mobilen Zahlungssystem Alipay: Jetzt können Sie Zahlungen tätigen, indem Sie nur Ihr eigenes Gesicht bereitstellen

Im Bereich der Spracherkennung und -wiedergabe sind mehrere Fälle von Interesse: Adobe Voco (Voice Conversion) -Präsentation "Photoshop for voice" - eine Anwendung für Adobe Audition, mit der die ursprüngliche Probe der menschlichen Sprache bearbeitet und der ursprünglichen Nachricht neue Wörter und Bedeutungen hinzugefügt werden. Nun erhält die Bauchrednerrede eine neue Bedeutung.

Ein gutes Beispiel dafür, wie ein unabhängiger Forscher AI-Sprachen unterrichten kann, ist:

Das Programm unterrichtet Englisch:

Das Programm unterrichtet Japanisch:

Und was passiert, wenn Sie die KI unbeaufsichtigt lassen? Er lernt sich selbst, ohne anzuhalten, und wird zum Beispiel in der Musik immer perfekter:

Algorithmisches Mashup oder künstliches Strawinsky

Anstelle von Schlussfolgerungen: Wenn ich höre, dass junge Leute mit einem MBA-Abschluss AI-Startups machen, greift meine Hand nach der Maus. Wenn man bedenkt, wie viel freie Software und leistungsfähige Computer heute für normale Menschen verfügbar sind, sollte die Mode der KI nicht überraschen. Trotz HYIP zu künstlicher Intelligenz und maschinellem Lernen, tollen Vorhersagen und kindlichen Tricks wie der Raketen-KI kann KI in der genauen Definition dieses Wortes kaum als Intelligenz bezeichnet werden Künstliche Intelligenz wird jetzt von Menschen ausgeführt, die KI kann sich nicht einmal selbst benennen, sie sagt nur, was Wissenschaftler in sie investiert haben. Die meisten Dienste, die auf der Basis künstlicher Intelligenz betrieben werden, werden noch von Entwicklern unterstützt. Wir können nur über einen sehr kleinen Teil der Automatisierung intelligenter Maschinen sprechen. Bisher wiederholt und reproduziert künstliche Intelligenz nur Bildungs- oder Arbeitsinformationen - ja, sie begeistert durch Rechenleistung und Lerngeschwindigkeit, aber das war es auch schon. Es ist zu früh, um über etwas zu sprechen, das der höheren Nervenaktivität des Menschen ähnelt. "Ja, und nicht unbedingt", würde Larry Niven * sagen.

Update 23.02.17: Facebook hat das Prophet-Projekt veröffentlicht, ein automatisches Tool für Geschäftsvorhersagen. Prophet verwendet für seine Vorhersagen additive Nicht-Parameter-Regressionsanalysemodelle.

Basiert auf dem Podcast mit Ian Goodfellow und Richard Mallah.

* "Es gibt Köpfe, die anders denken." 15. Nivens Gesetz *. - "Es gibt Köpfe, die genauso denken wie Sie. Nur anders." 15 Nivens Gesetz.

Loading...

Lassen Sie Ihren Kommentar