Ano ang pag-aaral ng machine?

Noong Disyembre 2017, ang DeepMind, ang lab ng pananaliksik na nakuha ng Google noong 2014, ipinakilala ang AlphaZero, isang artipisyal na programa ng intelihensiya na maaaring talunin ang mga kampeon sa mundo sa ilang mga larong board.

Kapansin-pansin, natanggap ng AlphaZero ang mga tagubilin sa zero mula sa mga tao kung paano i-play ang mga laro (samakatuwid ang pangalan). Sa halip, ginamit nito ang pagkatuto ng makina, isang sangay ng AI na bubuo ng pag-uugali nito sa pamamagitan ng karanasan sa halip na tahasang mga utos.

Sa loob ng 24 na oras, nakamit ni AlphaZero ang superhuman na pagganap sa chess at natalo ang nakaraang programa ng chess-champion chess. Maya-maya pa, ang master ng pag-aaral ng algorithm ng AlphaZero ay pinagkadalubhasaan din si Shogi (Japanese chess) at ang laro ng Chinese board na Go, at natalo nito ang hinalinhan nito, ang AlphaGo, 100 hanggang zero.

Ang pag-aaral ng makina ay naging popular sa mga nagdaang taon at tumutulong sa mga computer na malutas ang mga problema na dating naisip na maging eksklusibong domain ng katalinuhan ng tao. At kahit na malayo pa rin ang pagbaril mula sa orihinal na pananaw ng artipisyal na intelihensiya, ang pag-aaral ng makina ay naging mas malapit sa amin sa panghuli layunin ng paglikha ng mga makina ng pag-iisip.

Ano ang Pagkakaiba ng Pagkatuto ng Artipisyal at Pag-aaral ng Machine?

Ang tradisyunal na diskarte sa pagbuo ng artipisyal na katalinuhan ay nagsasangkot ng meticulously coding ang lahat ng mga patakaran at kaalaman na tumutukoy sa pag-uugali ng isang ahente ng AI. Kapag lumilikha ng AI-based na patakaran, dapat magsulat ng mga tagubilin na tumutukoy kung paano dapat kumilos ang AI bilang tugon sa bawat posibleng sitwasyon. Ang pamamaraang nakabatay sa panuntunan na ito, na kilala rin bilang mabuting luma na AI (GOFAI) o simbolikong AI, ay sumusubok na gayahin ang pangangatuwiran ng isip at pag-andar ng representasyon ng kaalaman.

Ang isang perpektong halimbawa ng sinasagisag na AI ay ang Stockfish, isang nangungunang ranggo, open-source chess engine na higit sa 10 taon sa paggawa. Daan-daang mga programmer at mga manlalaro ng chess ang nag-ambag sa Stockfish at nakatulong na paunlarin ang lohika nito sa pamamagitan ng pag-cod ng mga panuntunan nito - halimbawa, kung ano ang dapat gawin ng AI kapag inililipat ng kalaban ang kabalyero nito mula B1 hanggang C3.

Ngunit ang AI-based na panuntunan ay madalas na masira kapag nakikitungo sa mga sitwasyon kung saan ang mga patakaran ay masyadong kumplikado at implicit. Ang pagkilala sa pagsasalita at mga bagay sa mga imahe, halimbawa, ay mga advanced na operasyon na hindi maipahayag sa lohikal na mga patakaran.

Bilang kabaligtaran sa simbolikong AI, ang mga modelo ng pag-aaral ng AI na machine ay binuo hindi sa pamamagitan ng mga panuntunan sa pagsulat ngunit sa pamamagitan ng pangangalap ng mga halimbawa. Halimbawa, upang lumikha ng isang machine learning-based chess engine, ang isang developer ay lumilikha ng isang base algorithm at pagkatapos ay "sanayin" ito ng data mula sa libu-libong dati nang nilalaro na mga larong chess. Sa pamamagitan ng pagsusuri ng data, nahanap ng AI ang mga karaniwang pattern na tumutukoy sa mga panalong diskarte, na magagamit nito upang talunin ang mga tunay na kalaban.

Ang mas maraming mga laro ang sinusuri ng AI, mas mahusay na ito ay sa paghuhula ng mga nanalong gumagalaw habang naglalaro. Ito ang dahilan kung bakit ang pag-aaral ng machine ay tinukoy bilang isang programa na ang pagganap ay nagpapabuti sa karanasan.

Ang pag-aaral ng makina ay naaangkop sa maraming mga gawain sa real-mundo, kabilang ang pag-uuri ng imahe, pagkilala sa boses, rekomendasyon ng nilalaman, pagtuklas ng pandaraya, at pagproseso ng natural na wika.

Pinangangasiwaan at Hindi Pinagsusuring Pag-aaral

Depende sa problema na nais nilang malutas, inihahanda ng mga developer ang may-katuturang data upang bumuo ng kanilang modelo ng pag-aaral ng machine. Halimbawa, kung nais nilang gumamit ng pag-aaral ng makina upang makita ang mapanlinlang na mga transaksyon sa bangko, sususahin ng mga developer ang isang listahan ng mga umiiral na mga transaksyon at tatak ang mga ito sa kanilang kinalabasan (mapanlinlang o may bisa). Kapag pinapakain nila ang data sa algorithm, pinaghiwalay nito ang mga mapanlinlang at wastong mga transaksyon at nahanap ang mga karaniwang katangian sa loob ng bawat isa sa mga klase. Ang proseso ng mga modelo ng pagsasanay na may annotated data ay tinatawag na "supervised learning" at kasalukuyang nangingibabaw na anyo ng pag-aaral ng makina.

Maraming mga online repository ng data na may label para sa iba't ibang mga gawain na mayroon. Ang ilang mga tanyag na halimbawa ay ang ImageNet, isang bukas na mapagkukunan na nakatuon ng higit sa 14 milyong mga may label na mga imahe, at MNIST, isang talaan ng 60, 000 may tatak na may nakasulat na kamay. Gumagamit din ang mga developer ng machine-learning ng mga platform tulad ng Amazon's Mechanical Turk, isang online, on-demand na hiring hub para sa pagsasagawa ng mga gawaing nagbibigay-malay tulad ng mga label na imahe at mga sample ng audio. At ang isang lumalagong sektor ng mga startup ay dalubhasa sa anotasyon ng data.

Ngunit hindi lahat ng mga problema ay nangangailangan ng data na may label. Ang ilang mga problema sa pag-aaral ng makina ay maaaring malutas sa pamamagitan ng "hindi sinusubaybayan na pag-aaral, " kung saan binibigyan mo ang modelo ng AI ng hilaw na data at hayaan mo itong malaman kung aling mga pattern ang may kaugnayan.

Ang isang karaniwang paggamit ng hindi sinusubaybayan na pag-aaral ay anomalya na pagtuklas. Halimbawa, ang isang algorithm ng pag-aaral ng machine ay maaaring sanayin sa hilaw na data-trapiko ng data ng isang aparato na konektado sa internet - sabihin, isang matalinong refrigerator. Matapos ang pagsasanay, itinatag ng AI ang isang saligan para sa aparato at maaaring mag-flag outlier na pag-uugali. Kung ang aparato ay nahawahan sa malware at nagsisimulang makipag-usap sa mga nakakahamak na server, ang makina ng pag-aaral ng makina ay magagawang makita ito, dahil naiiba ang trapiko sa network mula sa normal na pag-uugali na sinusunod sa pagsasanay.

Pag-aaral ng Pagpapatibay

Sa ngayon, marahil alam mo na ang kalidad ng data ng pagsasanay ay gumaganap ng isang malaking papel sa kahusayan ng mga modelo ng pag-aaral ng machine. Ngunit ang pag- aaral ng pampalakas ay isang dalubhasang uri ng pag-aaral ng makina kung saan nabuo ang isang AI ng pag-uugali nito nang hindi gumagamit ng nakaraang data.

Ang mga modelo ng pag-aaral ng pagpapalakas muli ay nagsisimula sa isang malinis na slate. Tinuruan lamang sila sa mga pangunahing patakaran ng kanilang kapaligiran at ang gawain sa kamay. Sa pamamagitan ng pagsubok at pagkakamali, natututo silang mai-optimize ang kanilang mga aksyon para sa kanilang mga layunin.

Ang DeepMind's AlphaZero ay isang kagiliw-giliw na halimbawa ng pag-aaral ng pampalakas. Bilang kabaligtaran sa iba pang mga modelo ng pag-aaral ng machine, na dapat makita kung paano naglalaro ang chess at natutunan mula sa mga ito, sinimulan lamang ng AlphaZero ang paggalaw ng mga piraso 'at mga kondisyon ng panalo ng laro. Pagkatapos nito, naglaro ito ng milyun-milyong mga tugma laban sa sarili, na nagsisimula sa mga random na pagkilos at unti-unting nabuo ang mga pattern ng pag-uugali.

Ang pag-aaral ng pagpapalakas ay isang mainit na lugar ng pananaliksik. Ito ang pangunahing teknolohiya na ginamit upang makabuo ng mga modelo ng AI na maaaring makabisado ang mga kumplikadong laro tulad ng Dota 2 at StarCraft 2 at ginagamit din upang malutas ang mga problema sa totoong buhay tulad ng pamamahala ng mga mapagkukunan ng data center at paglikha ng mga robotic na kamay na maaaring hawakan ang mga bagay na may kagaya ng kagalingan ng tao .

Malalim na Pag-aaral

Ang malalim na pag-aaral ay isa pang tanyag na subset ng pag-aaral ng makina. Gumagamit ito ng mga artipisyal na neural network, mga konstruksyon ng software na halos inspirasyon ng biological na istraktura ng utak ng tao.

Ang mga network ng neural ay nangunguna sa pagproseso ng mga hindi naka-istrukturang data tulad ng mga imahe, video, audio, at mahabang mga sipi ng teksto tulad ng mga artikulo at papeles ng pananaliksik. Bago ang pag-aaral ng malalim, ang mga eksperto sa pag-aaral ng machine ay kailangang maglagay ng maraming pagsisikap sa pagkuha ng mga tampok mula sa mga imahe at video at tatakbo ang kanilang mga algorithm sa tuktok ng. Ang mga Neural network ay awtomatikong nakakakita ng mga tampok na iyon nang hindi nangangailangan ng maraming pagsisikap mula sa mga inhinyero.

Ang malalim na pag-aaral ay nasa likod ng maraming mga modernong teknolohiya sa AI tulad ng mga walang driver na kotse, mga advanced na sistema ng pagsasalin, at ang tech na pagkilala sa facial sa iyong iPhone X.

Ang Mga Limitasyon ng Pag-aaral ng Machine

Ang mga tao ay madalas na malito ang pag-aaral ng makina sa artipisyal na katalinuhan ng antas ng tao, at ang mga kagawaran ng marketing ng ilang mga kumpanya ay sinasadyang gamitin ang mga termino nang palitan. Ngunit habang ang pag-aaral ng makina ay gumawa ng mahusay na mga hakbang upang malutas ang mga kumplikadong problema, malayo pa rin ito sa paglikha ng mga makina ng pag-iisip na naisip ng mga payunir ng AI.

Bilang karagdagan sa pag-aaral mula sa karanasan, ang totoong katalinuhan ay nangangailangan ng pangangatuwiran, pangkaraniwang kahulugan, at abstract na pag-iisip - mga lugar na hindi gaanong ginagawa ng mga modelo ng pagkatuto ng makina.

Halimbawa, habang ang pag-aaral ng makina ay mahusay sa kumplikadong mga gawain ng pagkilala sa pattern tulad ng paghuhula ng kanser sa suso limang taon nang maaga, nakikibaka ito sa mas simple na lohika at pangangatuwiran tulad ng paglutas ng mga problema sa matematika sa high school.

Ang kakulangan sa pag-aaral ng kakulangan sa pangangatuwiran ay ginagawang masama sa pangkalahatan ang kaalaman nito. Halimbawa, ang isang ahente ng pag-aaral ng machine na maaaring maglaro ng Super Mario 3 tulad ng isang pro ay hindi mangibabaw ng isa pang laro ng platform, tulad ng Mega Man, o kahit na isa pang bersyon ng Super Mario. Kailangan itong sanayin mula sa simula.

Nang walang kapangyarihan upang kunin ang kaalamang konsepto mula sa karanasan, ang mga modelo ng pag-aaral ng machine ay nangangailangan ng tonelada ng data ng pagsasanay upang maisagawa. Sa kasamaang palad, maraming mga domain ang kulang ng data ng pagsasanay o walang mga pondo upang makakuha ng higit pa. Ang malalim na pag-aaral, na ngayon ay laganap na anyo ng pag-aaral ng makina, ay naghihirap din sa isang problema sa pagsabog: Ang mga Neural network ay gumagana sa mga kumplikadong paraan, at kahit na ang kanilang mga tagalikha ay nagpupumilit na sundin ang kanilang mga proseso ng paggawa ng desisyon. Ito ay nagpapahirap na gamitin ang kapangyarihan ng mga neural network sa mga setting kung saan mayroong isang ligal na kahilingan upang maipaliwanag ang mga pagpapasya sa AI.

Sa kabutihang palad, ang mga pagsisikap ay ginagawa upang malampasan ang mga limitasyon ng pag-aaral ng makina. Ang isang kapansin-pansin na halimbawa ay isang malawakang inisyatibo ng DARPA, ang braso ng pananaliksik ng Kagawaran ng Depensa, upang lumikha ng mga explainable AI models.

• Ano ang Artipisyal na Kaalaman (AI)? Ano ang Artipisyal na Kaalaman (AI)?
• Karamihan sa mga AI Dollars Pumunta sa Pag-aaral ng Machine Karamihan sa AI Dollars Pumunta sa Pag-aaral ng Machine
• Paano Nais Mong Makita AI Ginamit? Paano Nais Mong Makita AI Ginamit?

Ang iba pang mga proyekto ay naglalayong bawasan ang labis na pag-asa sa pag-aaral ng machine sa annotated data at gawing maa-access ang teknolohiya sa mga domain na may limitadong data ng pagsasanay. Ang mga mananaliksik sa IBM at MIT kamakailan ay gumawa ng mga papasok sa larangan sa pamamagitan ng pagsasama-sama ng simbolikong AI sa mga neural network. Ang mga modelo ng Hybrid AI ay nangangailangan ng mas kaunting data para sa pagsasanay at maaaring magbigay ng mga hakbang-hakbang na mga paliwanag sa kanilang mga pagpapasya.

Kung ang ebolusyon ng pag-aaral ng machine ay makakatulong sa amin na maabot ang walang humpay na layunin ng paglikha ng antas ng tao na AI ay nananatiling makikita. Ngunit ang alam nating sigurado ay ang salamat sa pagsulong sa pag-aaral ng machine, ang mga aparato na nakaupo sa aming mga mesa at nagpapahinga sa aming bulsa ay nakakakuha ng mas matalinong araw-araw.