Tinatalakay ni Yann lecun ang kapangyarihan, mga limitasyon ng malalim na pag-aaral

Sa isang pagawaan sa AI at Hinaharap ng Trabaho nang mas maaga sa buwang ito, si Yann LeCun, Direktor ng AI Research sa Facebook at Founding Director ng NYU Center for Data Science, ay nag-uusap tungkol sa "kapangyarihan at mga limitasyon ng malalim na pagkatuto." Si LeCun, na nagpayunir sa mga koneksyon na neural network na nasa gitna ng marami sa mga kamakailang pagsulong sa AI, ay kapwa masigasig sa pag-unlad na ginawa ng larangan sa mga nagdaang taon at makatotohanang tungkol sa kung ano ang magagawa at hindi magagawa ng mga ganitong sistema.

Maraming mga alon ng AI, sinabi ni LeCun, at nabanggit na habang ang kasalukuyang alon ay nakatuon sa malalim na pag-aaral, ang darating ay "pagdama, " na may pinakamalaking mga halimbawa ay ang mga aplikasyon tulad ng mga medikal na imaging at mga pagmamaneho sa sarili. Halos lahat ng mga application na ito ay gumagamit ng pangangasiwa sa pag-aaral at karamihan sa paggamit ng mga koneksyon na neural network, na unang inilarawan ni LeCun noong 1989 at kung saan unang naitala sa pagkilala sa character sa mga ATM noong 1995. Sinabi ni LeCun na ang patent sa naturang mga network ay nag-expire noong 2007.

Ito ang malaking hanay ng data na may malalaking sukat ng sample pati na rin ang napakalaking pagtaas sa lakas ng computing (tinulungan ng trabaho ni Geoffrey Hinton sa pag-isip kung paano gamitin ang mga GPU para sa pagkilala sa imahe) na nagresulta sa pinaka pagbabago sa mga nakaraang taon. Kahit na para sa LeCun, ang mga pagsulong sa pagkilala sa imahe ay "walang mas mababa sa kamangha-mangha." Kahit na ang pang-unawa "ay talagang gumagana, " ang nawawala pa rin ay pangangatuwiran.

Pinag-usapan ni LeCun ang tatlong magkakaibang uri ng pamamaraan, at ang mga limitasyon ng bawat isa sa kanila. Ang pag-aaral ng pagpapalakas ay nangangailangan ng isang malaking bilang ng mga sample. Ito ay mahusay para sa mga laro, dahil ang sistema ay maaaring magpatakbo ng milyun-milyong mga pagsubok at maging mas mahusay at mas mahusay, ngunit mahirap gamitin sa totoong mundo, dahil hindi mo nais na magmaneho ng kotse sa isang bangin 50 milyong beses, halimbawa, at ang tunay na oras ay isang kadahilanan sa totoong mundo.

Ang pinangangasiwaang pag-aaral, na kung saan ay karamihan sa nakikita natin ngayon, ay nangangailangan ng isang daluyan na halaga ng puna, at mahusay na gumagana. Gayunpaman, ang pag-aaral ng supervised machine ay may ilang mga isyu. Sinabi ni LeCun na ang mga naturang sistema ay sumasalamin sa mga bias sa data, bagaman sinabi niya na siya ay maasahin ang problemang ito ay maaaring pagtagumpayan, at naniniwala na mas madaling alisin ang mga biases mula sa mga makina kumpara sa mga tao. Ngunit mahirap ding i-verify ang mga naturang sistema para sa pagiging maaasahan at mahirap ipaliwanag ang mga pagpapasya na ginawa batay sa mga output mula sa mga naturang system, at pinag-usapan ni LeCun ang tungkol sa mga aplikasyon ng pautang bilang isang halimbawa nito.

Ang hindi sinusuportahan o mahuhulaan na pag-aaral, na kung saan ay kasalukuyang sinaliksik para sa mga bagay tulad ng pagtula sa mga frame sa hinaharap sa isang video, ay nangangailangan ng maraming puna. Ang hindi natutunan na pag-aaral ay nagsasangkot ng paghula sa nakaraan, kasalukuyan, o hinaharap mula sa anumang impormasyon na magagamit, o sa madaling salita, ang kakayahang punan ang mga blangko, na sinabi ni LeCun ay epektibo ang tinatawag nating pangkaraniwang kahulugan. Nabanggit niya na ang mga sanggol ay maaaring gawin ito, ngunit ang pagkuha ng mga makina na gawin ito ay napakahirap, at pinag-usapan ang tungkol sa kung paano gumagana ang mga mananaliksik sa mga pamamaraan tulad ng mga generative na mga network ng kaaway (GAN) para sa mga hula na ginawa sa hindi tiyak na mga kondisyon. Malayo tayo sa pagkakaroon ng isang kumpletong solusyon, aniya.

Pinag-usapan ni LeCun ang tatlong uri ng pag-aaral na tulad ng mga bahagi ng isang cake: ang pag-aaral ng pagpapalakas ay ang cherry sa tuktok, pinangangasiwaan ang pag-aaral ng acing, at mahuhulaan na pag-aaral ang pangunahing bahagi ng cake.

Inihula ng LeCun na AI ay magbabago kung paano pinapahalagahan ang mga bagay, na may mga kalakal na itinayo ng mga robot na nagkakahalaga ng mas mababa at tunay na mga karanasan sa tao na nagkakahalaga ng higit pa, at sinabi nito ay maaaring mangahulugang mayroong "isang magandang kinabukasan para sa mga musikero at manggagawa ng jazz."

Sa pangkalahatan, sinabi ni LeCun na ang AI ay isang Pangkalahatang Hangin na Teknolohiya (GPT) tulad ng steam engine, koryente, o sa computer. Tulad nito, maaapektuhan nito ang maraming mga lugar ng ekonomiya, ngunit aabutin ng 10 o 20 taon bago natin makita ang isang epekto sa pagiging produktibo. Sinabi ni LeCun na ang AI ay hahantong sa kapalit ng trabaho, ngunit nabanggit na ang paglawak ng teknolohiya ay limitado sa kung paano ang mga mabilis na manggagawa ay maaaring magsanay para dito.

Tulad ng para sa isang "totoong rebolusyon ng AI, " sinabi ni LeCun na hindi ito mangyayari hanggang sa magkamit ang sentido ng makina, at ang pagtukoy ng mga alituntunin upang mabuo ito ay maaaring tumagal ng dalawa, lima, dalawampu, o higit pang mga taon; lampas doon, aabutin ng maraming taon upang bumuo ng praktikal na teknolohiya ng AI batay sa mga prinsipyong iyon. Pagkatapos ng lahat, nabanggit niya, tumagal ng dalawampung taon upang maging mahalaga ang mga convolutional nets. At iyon ay batay sa pag-aakala na ang mga prinsipyo ay simple; nagiging mas kumplikado ito kung "ang intelihente ay isang kludge."