16.625 makale, 25 yılda yapay zekanın evrim yasasını ortaya koyuyor! Derin öğrenme çağı sona eriyor!
Kaynak: DeepTech
Bu makale hakkında 2500 kelime 5 dakika okumanız tavsiye edilir.
Bu makale, yapay zeka teknolojisindeki en son gelecek trendlerini sizin için açıklıyor.
Bugün, AI hakkında duyduğunuz hemen hemen tüm önemli gelişmeler derin öğrenmeden ayrılamaz.
Bu tür algoritma, verilerdeki kalıpları keşfetmek için istatistiksel verileri kullanarak çalışır. Görsel ve işitsel yeteneklerimiz gibi insan becerilerini taklit etmede çok güçlü olduğu ortaya çıktı. Bazı özel durumlarda veya bazı sınırlı kapsamlarda, muhakeme yeteneğimizi bile taklit edebilir. Derin öğrenme, Google'ın araması, Facebook'un haber akışı ve Netflix'in öneri motoru için güçlü destek sağlar ve sağlık ve eğitim gibi sektörleri değiştirir.
Bununla birlikte, derin öğrenme, yapay zekayı halkın gözüne getirmiş olsa da, bu, insan zeka keşfi tarihinde yalnızca bir bölümdür. 10 yıldan az bir sürede yapay zekanın ön saflarında yer aldı. Fakat bu alanın tüm tarihine yaklaştığımızda, bunun yakında tarih sahnesinden çıkabileceğini kolayca anlayabiliriz.
Washington Üniversitesi'nde bilgisayar bilimi profesörü ve ana algoritmanın yazarı Pedro Domingos, uzun süredir Farklı teknolojilerin ani yükselişi ve düşüşü her zaman yapay zeka araştırmalarının bir özelliği olmuştur. Her on yılda bir, farklı görüşler arasında şiddetli bir rekabet vardır. Sonra, arada bir yeni bir teknoloji ortaya çıkacak ve araştırmacılar bu yeni gelişen teknolojiyi incelemek için bir araya gelecekler.
Yapay zeka teknolojisine yönelik sürekli raporlar ve dikkat temelinde, "MIT Technology Review" teknolojinin aralıklı, iniş ve çıkışlarını görselleştirmek istiyor. Günümüzün en büyük açık kaynaklı bilimsel makale veritabanı olan "arXiv" en iyi seçenektir. Bu nedenle, bu makalenin yazarı, "Yapay Zeka" bölümünde 18 Kasım 2018 itibarıyla 16.625 makalenin özetlerini indirerek, yıllar içinde bahsedilenleri karşılaştırdı. Kelime hazinesi, derin öğrenmenin gelişiminin hangi aşamaya ulaştığını anlamak için izlendi? Önümüzdeki on yılda en büyük gelişme fırsatı kim olacak?
Şekil 18 Kasım 2018 itibarıyla, arXiv'in "Yapay Zeka" bölümünde bulunan tüm makaleler (Kaynak: MIT Technology Review)
Yazar, veri analizi yoluyla üç ana eğilim buldu: 1990'ların sonundan 21. yüzyılın başına kadar, Makine öğrenme 2010'ların başından itibaren tecrübe edilen filizlenmeye başladı Sinir ağlarının artan popülaritesi Ve geçtiğimiz birkaç yılı başlattı Takviye öğrenme büyüme.
Burada dikkat etmemiz gereken birkaç nokta var. Öncelikle arXiv'in yapay zeka ile ilgili makaleleri ancak 1993 yılına kadar izlenebiliyor ve "yapay zeka" terimi 1950'lere kadar izlenebiliyor, bu nedenle veritabanı bilgilerine karşılık gelen zaman, yapay zeka geliştirmenin en son tarihsel aşamasında. İkinci olarak, her yıl veri tabanına eklenen yeni makaleler, o dönemde belirli bir alandaki genel ilerlemenin yalnızca bir parçasıdır.
Bununla birlikte, buna rağmen, daha fazla araştırma trendi bilgisi toplamak ve sektörde ortaya çıkan farklı fikirleri gözlemlemek istiyorsak, arXiv hala iyi bir kaynaktır.
Makine öğrenimi bilgi tabanını gölgede bırakıyorBu 16625 makaleye göre, en büyük değişiklik 21. yüzyılın başında, bilgiye dayalı sistemlerin düşmeye başladığı dönemde meydana geldi. Tüm insan bilgisi belirli kurallara göre kodlanabilir. ile ikame edilmiş, Araştırmacılar, derin öğrenme dahil olmak üzere makine öğrenimi algoritmalarını araştırmaya yöneldi.
Yazar tarafından hesaplanan kelime dağarcığı oluşma olasılıkları arasında, "mantık", "kısıtlama", "kural" ve diğer kelime dağarcığı gibi bilgi sistemi ile ilgili sözcük dağarcığı en büyük düşüşe sahiptir. Makine öğrenimiyle ilgili olanlar - "veri", "ağ" ve "performans" gibi - en hızlı büyümeye sahip olanlar.
Ancak bu büyük değişikliğin arkasındaki sebep basit. 1980'lerde, yapay zekanın ilk dalgası bir atılım noktası olarak insan bilgisine odaklandı.Bilgi tabanlarının ve uzman veritabanı sistemlerinin inşası temel görevler haline geldi ve çok sayıda bilgi sistemleri mühendisliği uluslararası alanda ortaya çıktı. Ancak bu projeler geliştikçe, araştırmacılar büyük bir sorunla karşılaştı: Sistemin yararlı bir şey yapabilmesi için çok fazla kuralı kodlaması gerekiyordu. Bu, maliyetleri artırdı ve beklenen teknolojik gelişme sürecini büyük ölçüde yavaşlattı.
ve Makine öğrenme Bu sorunun cevabı ol. Bu yöntem, insanların yüz binlerce kuralı manuel olarak kodlamasını gerektirmez, ancak makinenin bu kuralları bir dizi veriden otomatik olarak çıkarmasına izin verir. Böylelikle yapay zeka, bilgi tabanı sistemini terk etmeye başladı ve dikkatini makine öğrenimine çevirdi ve yapay zekanın ikinci dalgası başladı.
Sinir ağları artıyor, pekiştirmeli öğrenme teşvik ediliyorAncak, makine öğrenimi o sırada çok ilgi görmeye başladığında, derin öğrenme hemen popüler değildi.
Yazarın anahtar terimler analizinin gösterdiği gibi, araştırmacılar, Bayes ağları gibi bazıları oldukça popüler olan sinir ağlarının (derin öğrenmenin temel mekanizması) yanı sıra, vektör makinelerini destekleyen çeşitli yöntemler de denediler. Ve evrimsel algoritmalar, vb. Hepsi, verilerdeki kalıpları bulmak için farklı yöntemler kullanır.
Grafik, her yöntem için kağıt yüzdesini gösteriyor. Sinir ağları açıkça diğer makine öğrenimi yöntemlerinin yerini aldı (Kaynak: MIT Technology Review)
1990'larda ve 21. yüzyılın başında, tüm bu yöntemler istikrarlı bir rekabet durumu sürdürdü. Ardından, 2012'de önemli bir atılım bu dengeyi bozdu ve yöntemlerden birini - derin öğrenme - benzeri görülmemiş bir gelişim zirvesine getirdi: yıllık ImageNet görüntü sınıflandırma yarışması In, Toronto Üniversitesi'nden Geoffrey Hinton ve meslektaşları, inanılmaz avantajlarla o zamanın en yüksek doğruluk oranına sahip görüntü tanıma oranına ulaştılar. Ekibin kullandığı yöntem derin öğrenmedir.
Bu dönüm noktası olayı, önce vizyon araştırmasında yeni bir yapay zeka araştırması dalgasını tetikledi ve ardından diğer alanlar bu derin öğrenme dalgasına katılmaya başladı. Giderek daha etkileyici sonuçlar ortaya çıktıkça, derin öğrenmenin (ve sinir ağlarının) popülaritesi patladı.
Analizler, derin öğrenmenin yükselişinden bu yana geçen yıllarda yapay zeka araştırmalarının üçüncü ve son değişikliğe uğradığını gösteriyor: Denetimli öğrenme, denetimsiz öğrenme ve pekiştirmeli öğrenme gittikçe daha fazla ilgi gördü. Bunlar arasında, denetimli öğrenme, algoritmaları eğitmek için verileri etiketlemektir.Bu yöntem şu ana kadar en yaygın kullanılan ve en pratik yöntemdir. Bununla birlikte, son birkaç yılda, pekiştirmeli öğrenmenin ilgi odağı da çok güçlüdür ve makale özetlerinde pekiştirmeli öğrenmeden bahsedilme sayısı hızla artmıştır. Bu yöntem, AI öğrenme sürecinin talimatları doğru bir şekilde uygulayıp uygulamadığına bağlı olarak pozitif veya negatif ödüller uygulamayı amaçlamaktadır.
Bu fikir yeni değil, ancak onlarca yıldır gerçekten işe yaramadı. Pedro Domingos, "Denetimli öğrenmeyi destekleyenler, pekiştirmeli öğrenmeyi destekleyenlerle dalga geçecekler" dedi.
Ancak, derin öğrenmenin gelişiminin 2012'de ImagNet'in sonuçlarıyla buluşması gibi, pekiştirmeli öğrenme de önemli bir tarihsel olayı başlattı ve o zamandan beri insanların buna olan ilgisi büyük bir hızla arttı.
Ekim 2015'teydi, DeepMind'in AlphaGo'su, yoğun öğrenme eğitiminden sonra, eski Go oyununda Avrupa Go şampiyonu ve profesyonel ikinci kademe oyuncu Fan Hui'yi yendi. Bu başarının tüm araştırma topluluğu üzerindeki etkisi neredeyse anında gerçekleşti.
Aslında, bu sefer arXiv analizinin, farklı görüşler arasındaki en son rekabet haberleri de dahil olmak üzere, yapay zeka araştırmalarındaki bazı güncel trendlerin yalnızca bir mikrokozmunu sağladığına inanıyoruz. Ama bu aynı zamanda insanların ne kadar "kaprisli" zeka peşinde olduğunu da bir dereceye kadar açıklıyor.
Önemli bir ipucu, son 25 yılda kullandığımız birçok yapay zeka teknolojisinin aynı anda 1950'lerde ortaya çıktığı ve on yılın gelişiyle birlikte çeşitli teknolojilerin gelip geçtiği, örneğin sinir ağları 60'lı yıllarda oldu. Dönem doruk noktasına ulaştı ve 1980'lerde kısa bir süre doruğa ulaştı, ancak derin öğrenme ilkbaharına dönmeden önce neredeyse araştırmanın sınırına ulaştı.
Başka bir deyişle, her on yılda bir temelde teknolojik bir egemenlik dönemidir: 1950'lerde ve 1960'larda sinir ağları yönetilir, çeşitli sembolik yöntemler 1970'leri fethetti ve bilgi tabanı sistemi 1980'lerde zirveye ulaştı. Sri Lanka ağı 1990'lara öncülük etti, 00'larda destek vektör makineleri patladı ve 10'larda tekrar sinir ağlarına geri döndük.
Bu bağlamda, Washington Üniversitesi'nde bilgisayar bilimi profesörü ve ana algoritmanın yazarı Pedro Domingos, "2020'ler istisna olmayacak" dedi. Bu, derin öğrenme çağının yakında bitebileceği anlamına gelir. Ancak, bundan sonra olacaklar için, önümüzde zaten çok farklı iki yön var Eski bir teknoloji yeniden lehine mi dönecek, yoksa yapay zeka alanı yeni bir paradigma mı başlatacak?
Domingos, "Bu soruya cevap verebilirseniz, bu cevabın patentini almak istiyorum" dedi.
- Bitiş -Tsinghua-Qingdao Veri Bilimi Enstitüsü'nün resmi WeChat kamu platformunu takip edin " THU Veri Pastası "Ve kız kardeş numarası" Veri Pastası THU "Daha fazla ders avantajı ve kaliteli içerik elde edin.
