Tomaso Poggio bir sonraki "AlphaGo" ipucunu analiz ediyor ve "derin öğrenme simyası" ndan bahsediyor
Bugün, 28 Ocak sabahı, MIT Bilgisayar Bilimi Yapay Zeka Laboratuvarı Profesörü Tomaso Poggio, MIT Technology Review'in EmTech Çin Küresel Gelişen Teknoloji Zirvesi'nde derin öğrenmenin simyası üzerine harika bir konuşma yaptı. Konuşmasının tam metni:
Yapay zeka alanında neler olup bittiğini sizlerle konuşmak istiyorum. Öncelikle yapay zeka alanında özellikle son beş yılda elde ettiğimiz son başarılarımızdan ve gelecekte yapay zekanın atılımlar yapabileceği noktalardan bahsetmek istiyorum.
Derin öğrenme, biraz zamanımızın simyasına benzer, ancak simyadan gerçek kimyaya dönüştürülmesi gerekiyor. Ancak bu şekilde gelecekte derin öğrenmenin neler başarabileceğini bilebiliriz.
Yapay zeka alanında son beş yılda elde edilen en önemli iki başarı; AlphaGo ve otonom sürüş. Uzun zamandır bu sektörün içindeyim, bu yüzden iki alanda öğrencilerim var: biri DeepMind'ın bir çalışanı olan ve şimdi Google'da olan AlphaGo'dan Hasabis; diğeri ise Intel'e katılan Moblieye CEO'su Amnon Shashua.
Ardından, son 23 yılda makine öğreniminde ne gibi ilerlemeler kaydedildiğine bakabiliriz.
23 yıl önce, Hassabis ve ben bilgisayarla görü ve makine öğrenimini entegre etmeyi ve ardından yayaları tanımlamak için bir öğrenme sistemi oluşturmayı umuyorduk. Bu kısa videoda, makinenin yayaları ve trafik ışıklarını tanıdığını ve temelde her saniyede 10 hata olduğunu görebiliyoruz. 1995 yılıydı, dolayısıyla sonuçtan hala çok memnunuz.
Bununla birlikte, Moblieye daha sonra 30 mil başına yalnızca bir hata elde ederek hata oranını o yılın milyonda birine düşürdü ve makine öğreniminin doğruluğunun önemli ölçüde iyileştirildiği görülebilir.
Peki, AlphaGo ve Moblieye'nin kaydettiği ilerlemenin arkasında ne var?
Her şeyden önce, bunun makine öğreniminin algoritması olduğunu düşünüyorum. Birincisi derin öğrenme ve ikincisi pekiştirmeli öğrenme. Hepsi bilişsel bilim ve sinirbilimden geliyor.
Derin öğrenme mimarisi ilk olarak 1960'larda, öğrenme sırasında beyinlerinin sinir yapısını daha iyi incelemek için maymunların görsel sistemini incelerken icat edildi ve daha sonra Fukushima ilk nicel modeli önerene kadar ve daha sonra 20 yıl önce HMAX'ın modern versiyonu önerildi. Bu yapılar, beyin biliminden şu anki derin öğrenmeye kadar aynı çizgidedir, esasen aynı hiyerarşik yapıdır. Aşağıdan yukarıya, sinir seviyesi gittikçe yükseliyor. Bu yapının kısmında çok fazla bağlantı yoktur ve her bir üst düzey nöron yalnızca bir sonraki düzey nörona bağlanabilir.
Aynı zamanda en iyi performans gösteren mimari olan AlexNet'i 2012 yılında geliştirdik. Sinirbilimden yola çıkarak, mühendislik araştırmalarıyla geliştirmeye devam ediyoruz. Bu çok önemli çünkü yapay zekayı gerçekten uygulamadık.
Derin öğrenme, problemlerin% 10'unu çözmemize yardımcı olabilir.Peki kalan% 90? Cevabım şu: Sinirbilim ve bilişsel bilimden araştırmalara da ihtiyacımız olabilir, insan aklını ve beynini daha iyi anlamamız gerekiyor. Bu aynı zamanda MIT Beyin, Zihin ve Makine Merkezimizin (CBMM) araştırdığı problemdir. İlgili araştırmalara beş yıl önce başladık. Misyonumuz bilişi anlamada yeni ilerleme sağlamak ve aynı zamanda tüm zekayı anlamamız gerekiyor. Mimari ve zekanın arkasındaki bilimsel ilkeler. Zeka bilimi, en iddialı soruları yanıtlamamıza, yaşamın kökenini, evrenin kökenini ve zamanın kökenini anlamamıza yardımcı olacaktır. Beyindeki zeka üretimi, bilimin şimdi çözmesi gereken bir meta problemdir.
CBMM bu sorunu aşağıdaki üç yoldan çözmek istiyor.
1. Bilgisayar Bilimi + Makine Öğrenimi
2. Sinirbilim
3. Bilişsel Bilim
Mühendislik ve bilim alanlarında işbirliği olasılığını keşfetmek için Google gibi ticari şirketlerle işbirliği yapacağız.
Son birkaç yılda, derin sinir ağlarının gelişimi de dahil olmak üzere teknolojik gelişme ve teorik gelişme dikkat çekiciydi. Sinir ağlarının ne kadar derin çalıştığını anlamak için arkasındaki üç temel soruyu yanıtlamanız gerekir:
1. Yaklaşım teorisi: Hangi koşullar altında derin bir ağ sığ bir ağdan daha etkili olacaktır?
2. Optimizasyon: Ampirik risk fonksiyonu nasıl tasarlanır?
3. Öğrenme teorisi: Derin öğrenme neden gereğinden fazla uyum sağlamaz?
Bu üç konu, makine öğreniminin temel taşlarıdır. Cevapları çok karmaşık.Bu sorunu çözmek için, derin öğrenmenin bazı teknik teorilerini ve sınırlarını baştan düşünmemiz gerekiyor.
Şimdi yapay zeka uygulamanın altın çağı, çünkü derin öğrenme ve mühendislik uygulamaları nihayet geleneksel bilimsel yapay zeka teorilerini mühendislik uygulamalarına uygulamamıza yardımcı oldu ve bizi güçlendirebilir. Yapay zekayı daha iyi anlamak için derin öğrenme teorisinin ötesine geçebilirsek, biz insanların ne olduğumuzu daha derin bir şekilde anlayabiliriz.
