Pejzaž strojne inteligencije za 2018. godinu: novi pogled na MI vs ML vs DL protiv AI

Napisao Christy Maver, potpredsjednik marketinga

Prije dvije godine naši suosnivači, Jeff Hawkins i Donna Dubinsky, napisali su post u blogu pod naslovom: Što je strojna inteligencija vs strojno učenje nasuprot dubokom učenju protiv umjetne inteligencije (AI)? Post, koji je brzo postao viralan, bio je naš pokušaj da shvatimo različite pristupe stvaranju inteligentnih strojeva - pristupe slične zvučnosti i često preklapajuće terminologije. Numentaova procjena visoke razine bila je da u ovom prostoru postoje 3 glavne kategorije i nazvali smo ih klasičnim AI, jednostavnim neuralnim mrežama i biološkim neuronskim mrežama, kao što je prikazano u donjoj tablici.

Od objave tog posta 2016. godine ostvaren je napredak, u različitom stupnju, u svakoj kategoriji. U ovom ćemo postu detaljno pogledati svaki kako bismo procijenili kako izgleda put do računalne inteligencije u 2018. godini.

Tablica iz 2016. sažimajući karakteristike 3 pristupa

Klasični AI pristup

U 2016. definirali smo Classic AI kao stručni sistemski pristup. Klasična AI rješenja rješavaju specifične probleme pomoću skupa pravila koje programiraju stručnjaci. Možda pokazuju određeno učenje, ali samo u domenama specifičnim područjima. Klasični AI sustavi mogu stvoriti duboku bazu znanja o određenom pitanju. Iako je bilo uspjeha na područjima u kojima je domena ili pitanje dobro definirano, Classic AI se nije mnogo promijenio. S obzirom da ima vrlo malo veze s ljudskom inteligencijom i ne generalizira se u svim domenama, nije izazvao masivan interes kao potencijalni put do strojne inteligencije.

Jednostavan pristup neuronske mreže

Tijekom strojnog učenja (ML) u posljednje dvije godine zabilježen je eksplozivni rast, uglavnom vođen dubokim učenjem, koji koristi jednostavan pristup neuronske mreže. Nedavni članak Forbsa citirao je da su patenti strojnog učenja rasli sa 34% složenog godišnjeg rasta (CAGR) između 2013. i 2017., treća najbrže rastuća kategorija svih patenata. Strojno učenje inženjera sada je najbrže rastuće radno mjesto u SAD-u, prema LinkedIn-ovom američkom izvješću o novim poslovima za 2017. godinu. Uočili smo porast aplikacija za strojno učenje, od samostalnih vožnji automobila do usluga društvenih medija do prepoznavanja lica. To nije samo količina koja se povećala, već i kvaliteta. Stope pogreške kod označavanja slike pale su s 28,5% na ispod 2,5% od 2010. Iako to nije savršeno, kao što to mogu potvrditi svi koji znaju razliku između kornjače i puške, od 2016. se sigurno nije poboljšalo. otključajte telefon licem prije dvije godine.

Međutim, unatoč napretku, mnoga poboljšanja izravan su rezultat više računalnih konjskih snaga i većeg broja podataka. Tehnike strojnog učenja obično se oslanjaju na velike označene skupove podataka. Što više podataka ima algoritam ML, to točniji može biti. Ipak označene podatke može biti teško dobiti, a u mnogim slučajevima i ne postoje. Ovisnost o strojnom učenju o njemu stvara problem skalabilnosti koji je teško prevladati ako je cilj stvaranje inteligentnih strojeva.

Pristup biološkoj neurološkoj mreži

Biološki pristup temelji se na pretpostavci da opća inteligencija ovisi o načelima koja drugi pristupi ne obuhvaćaju i da je najbrži put do istinskog AI-a proučavanje mozga da otkrije te principe. To je ono što radimo u Numenti: tražimo bitne atribute koje ne možemo zanemariti u izgradnji inteligentnih sustava. Ti atributi uključuju kako predstavljamo informacije, kako je memorija slijed obrazaca, kako je ponašanje integrirano u učenje i kako je učenje kontinuirano. U središtu naših modela je biološki realistični neuronski model koji objašnjava kako mozgovi predviđaju. Mnogo je sposobniji od apstraktnih i pojednostavljenih neurona koji se koriste u jednostavnim neuronskim mrežama.

Od izvornog posta na blogu postigli smo nekoliko napretka u našem istraživanju. Objavili smo pet recenziranih radova, uključujući dva temeljna rada iz časopisa Frontiers koja predlažu kako mozak uči prediktivne svjetske modele - prvo s vanjskim sekvencama, a zatim s senzimotornim nizovima. Napravili smo dodatna otkrića koja smo u procesu dokumentiranja. Jedno posebno otkriće bilo je toliko značajno da smo svu energiju odlučili usmjeriti na istraživanje neuroznanosti. Smanjili smo razvoj aplikacija tako da smo se mogli fokusirati gotovo isključivo na teoriju mozga i sada postižemo veliki napredak u dovršavanju okvira za razumijevanje kako djeluje neocortex. Iako još nismo objavili ovo novo djelo, održali smo prezentacije njegovih dijelova.

Pejzaž strojne inteligencije danas

Iako su sva tri pristupa postigla napredak, dogodio se zanimljiv trend. Kao što su strojno i duboko učenje postale sve popularnije, tako je postala svjesnija njihovih ograničenja - posebno od najcjenjenijih stručnjaka u tom području. Ljudi poput Geoffa Hintona, Francoisa Cholleta i Demisa Hassabisa izrazili su zabrinutost da su potrebni novi pristupi, da nas skaliranje postojećih tehnika neće tamo stići i da nam možda mozak može pokazati put.

Na površini se može nadati da se tri pristupa približavaju jedinstvenom pristupu općoj umjetnoj inteligenciji. I premda je to možda istina u duhu, u izvršenju je sasvim drugačije. Čini se da postoji suglasnost da mozak nudi primjer inteligentnog stroja iz kojeg možemo učiti, ali pristup dubokog učenja uzima drugačiju taktiku. Općenito, oni bi mogli uputiti neuroznanost za povremeno nadahnuće, ali ne i za detaljne algoritme, a biološka točnost gotovo uvijek daje inženjerskim rješenjima.

Naš je pristup u osnovi suprotan: započinjemo s mozgom i pridržavamo se biologije. Ako nešto nije moguće u mozgu, nije moguće u našim teorijama i softveru. Prije svega, cilj nam je razumjeti mozak. Vjerujemo da je ovo najbrži put za stvaranje opće strojne inteligencije.

Sažetak

U osnovi, naša analiza različitih pristupa strojnoj inteligenciji ostaje ista kao i prije dvije godine. Još uvijek vjerujemo da je pristup biološke neuronske mreže jedini koji osigurava zajamčeni plan strojnoj inteligenciji i najbrži je način za postizanje tog cilja. Uvjereni smo da će okvir teorije mozga koji danas razvijamo biti temelj za stvarno inteligentne strojeve sutra.

Ako ste uživali čitajući ovaj komad, molimo pritisnite ikonu "Pljeska" kako biste ga preporučili svojim sljedbenicima. Da biste saznali više o tome kako naš rad pomaže unaprijediti stanje teorije mozga i računalne inteligencije, posjetite našu web stranicu ili nas pratite na Facebooku i Twitteru.

Izvorno objavljeno na numenta.com, 16. svibnja 2018.