2012'den beri, Stanford Üniversitesi ve Google'daki araştırmacılar, bilgisayarların kedileri tanımayı öğrenmesine izin verdiğinde, derin öğrenme yapay zekayı halkın gözüne itti ve yapay zekanın ön saflarında yer aldı. İster tıp ve güvenlik endüstrilerindeki görüntü tanıma ve yüz tanıma teknolojilerini, ister konuşma tanıma ve video anlayışını değiştiriyor olsun, bu yapay zeka uygulamalarının çoğu derin öğrenmeden kaynaklanıyor.
Ancak yeni teknolojilerin ani yükselişi yapay zeka araştırmalarının önemli bir özelliğidir. 16.625 makaleye dayanan yakın tarihli bir analiz raporu, yapay zeka alanına hakim olan derin öğrenme eğiliminin değiştiğine işaret etti.
"MIT Technology Review", dünyanın en büyük açık kaynaklı bilimsel makaleler veri tabanlarından biri olan arXiv'de yakın zamanda yapay zeka alanında 16.625 makale topladı. Bu makalelerin yayınlanma süresi 25 yıldır, en erken 1993 yılına kadar izlenebilir ve en son son tarih 18 Kasım 2018'dir. Makalenin özet ve anahtar kelimelerine göre "MIT Technology Review", farklı yapay zeka yöntemlerinin gelişim trendini analiz etti ve "Derin öğrenme çağı sona eriyor" dedi.
1993'ten 2018'e kadar arXiv web sitesindeki yapay zeka kağıtlarının sayısı değişti
Manuel kodlamadan makine öğrenimine geçiş
MIT Technology Review raporu, 1990'ların sonlarından 21. yüzyılın başlarına kadar geçen dönemde yapay zeka uzmanlarının dikkatlerini yavaş yavaş makine öğrenimine çevirdiğini ortaya koydu.
Sözde makine öğrenimi, bilinen verilerden verilerde bulunan yasaları veya yargı kurallarını öğrenmeyi ifade eder.
1988'de IBM araştırmacıları, Fransızca ve İngilizce arasındaki otomatik çevirinin zorluğunu çözmeye çalışırken, o sırada kural odaklı yapay zeka alanına olasılık ilkesini getiren dil çevirisi için istatistiksel bir yöntem yayınladılar. Bu yöntem, günümüzde kullanılan makine öğreniminin temeli olarak kabul edilmektedir.
Yukarıdaki rapor, 1990'ların sonlarından 21. yüzyılın başına kadar olan yapay zeka makalelerinde, "mantık" ve "kurallar" gibi bilgi sistemleriyle ilgili kelimelerin sayısının azalmaya başladığını, "veri", "ağ" ve "performans" sayılarının azaldığını ortaya koymuştur. Makine öğrenimi ile ilgili kelime dağarcığının sayısı hızla artıyor.
Makine öğrenimi, bilgiye dayalı muhakemenin yerini alıyor
Anahtar kelimelerin sıklığı değişir ve makine öğrenimi ile ilgili kelimelerin sıklığı artar
Raporda bu değişikliğin nedenlerini "MIT Technology Review" verdi. Bilgi sistemleri, sistemi çalıştırmak için insan tarafından yazılmış kurallar gerektirir, bu da çok büyük işçilik maliyetleri ve düşük verimlilik gerektirir.Manuel kodlama gerektirmeyen makine öğrenimi sadece "mükemmel bir alternatiftir". Makine öğreniminde, programlama makineleri bir grup veriden kuralları otomatik olarak çıkarır.
Görüntü Ağı Mücadelesi ve Sinir Ağı
1990'lardan 21. yüzyılın başına kadar, sinir ağları, Bayes ağları, evrimsel algoritmalar ve destek vektör makineleri gibi çeşitli makine öğrenimi yöntemleri arasında istikrarlı bir rekabet vardı. Ancak rapor, 2012'deki bir atılımın bu durumu değiştirdiğini buldu. Derin öğrenme diğer yöntemleri büyük ölçüde geride bıraktı ve bir anda en değerli makine öğrenimi alanı haline geldi.
2012 yılında, küresel bir görüntü tanıma algoritması yarışması ILSVRC (Image Net Challenge olarak da bilinir), Toronto Üniversitesi profesörü, "derin öğrenmenin babası" Geoffrey Hinton (Geoffrey Hinton) ve meslektaşları birden fazla geliştirdi Katmanlı sinir ağı Alex Net şampiyonluğu kazandı. Bu çok katmanlı sinir ağı, geleneksel makine öğrenimi algoritmalarını kullanarak ikinci sırayı büyük ölçüde geride bırakan% 10'un üzerinde şaşırtıcı bir büyüklükle en iyi görüntü tanıma doğruluğunu elde etti.
Bu yarışmanın sonuçları, yapay zeka akademisinde büyük şok yarattı. O zamandan beri, çok katmanlı sinir ağlarına dayalı derin öğrenme, birçok uygulama alanına genişletildi ve konuşma tanıma, görüntü analizi ve video anlama gibi birçok alanda başarıya ulaştı.
Derin öğrenme, makine öğrenimi araştırmalarında yeni bir alandır. Motivasyonu, insan beyninin analizi ve öğrenilmesi için bir sinir ağı kurmak ve simüle etmektir. Görüntü, ses ve metin gibi verileri yorumlamak için insan beyninin mekanizmasını taklit eder.
Aynı zamanda, denetimli öğrenme-evrişimli sinir ağı altında bir derin öğrenme modeli de hızla geliştirildi. MIT Technology Review raporu bu büyüme trendini buldu. Veriler, yapay zeka kağıtlarındaki sinir ağı ile ilgili yazıların oranının 2012'de% 3'ten 2018'de% 27'ye yükseldiğini gösteriyor.
2010'lardan bu yana, arXiv web sitesindeki sinir ağı ile ilgili makalelerde önemli bir artış olmuştur (alttaki kırmızı alan, yapay zeka kağıtlarındaki sinir ağlarının oranını temsil etmektedir ve 2018'deki veriler% 27'dir)
Alfa Köpeği ve Takviye Öğrenmenin Yükselişi
Pekiştirmeli öğrenme, yapay zekanın önemli bir dalıdır. 2016 yılında Go'nun dünya şampiyonu 9. Dan'i mağlup eden Alpha Dog, şok edici oyun yeteneği için yoğun öğrenme eğitimi aldı.
Pekiştirmeli öğrenmenin amacı, eylemlere rehberlik edecek bir politika elde etmektir. Örneğin, Alpha Dog ve Lee Sedol arasındaki Go oyununda, bu strateji Alpha Dog'a tahta durumuna göre her hareketi nereye yerleştireceği konusunda rehberlik edebilir.
Pekiştirmeli öğrenme, bir başlangıç stratejisi ile başlayacaktır. Genellikle, başlangıç stratejisi mutlaka ideal değildir. Öğrenme sürecinde, karar alma organı eylemler yoluyla çevre ile etkileşime girer, sürekli geri bildirim alır (ödül veya ceza) ve geri bildirime dayalı stratejileri ayarlar ve optimize eder.
MIT Bilim ve Teknoloji İncelemesi, son yıllarda pekiştirmeli öğrenmeden bahseden makale sayısının keskin bir şekilde arttığını ve yapay zeka kağıtlarındaki pekiştirmeli öğrenme kağıtlarının oranının 2015'te% 4,7'den 2018'de% 15,3'e yükseldiğini buldu.
Son yıllarda yapay zeka kağıtlarında pekiştirmeli öğrenmeden (kırmızı) daha sık bahsedilmektedir.
Washington Üniversitesi'nde bilgisayar bilimi profesörü olan Pedro Domingos, bu yükseliş eğilimi için, pekiştirmeli öğrenmenin yeni bir teori olmadığını, ancak önceki on yıllarda gerçek bir rol oynamadığını söyledi. Alpha Dog'un Go oyununda dünya şampiyonunu mağlup ettiği dönüm noktası olayı, hiç şüphesiz pekiştirmeli öğrenmenin gelişiminde derin bir etki yarattı.
Yukarıdaki rapora göre Domingos, yapay zeka alanında temelde her on yılda farklı teknolojilerin kurallarını göreceğini analiz etti: 1980'lerde bilgi tabanlı sistemler, 1990'larda Bayes ağları, 2000'lerde vektör makineleri ve 10'lu yıllarda sinir ağları.
21. yüzyılın ve 1920'lerin bir istisna olmaması gerektiğine ve derin öğrenme döneminin yakında sona erebileceğine inanıyor. Eski teknolojinin yeniden lehine mi döndüğüne veya yeni teknolojinin birdenbire ortaya çıkmasına gelince, cevabı veremedi.