Yapay zeka nasıl görüntülenir ve öğrenilir? Bu, beş Harvard doktora öğrencisinden oluşan bir AMA
SMB'den soruldu
Qubit Üretildi | Genel Hesap QbitAI
Son zamanlarda, beş Harvard doktora öğrencisi, yapay zeka ve bilişsel bilim etrafında bir AMA (Bana Her Şeyi Sor) başlatmak için ünlü reddit topluluğuna geldi.
Bu doktora öğrencilerini kısaca tanıtın: Rockwell Anyoha, Moleküler Biyoloji Bölümü'nden; Dana Boebinger ve Kevin Sitek, Harvard-MIT Konuşma ve İşitme Projesi'nden; Adam Riesselman ve William Yuan tıp fakültesindendir ve ilgili araştırmaları gerçekleştirmek için makine öğrenimini kullanırlar. .
Reddit netizenleri tarafından iki saatlik bu çevrimiçi iletişime coşkuyla katıldı.Qubit bazı harika sorular ve cevaplar seçti ve ondan alıntılar derledi. aşağıdaki gibi.
Soru: Yapay zeka ve otomasyonun hızlı gelişimi konusunda endişelenmemiz gerekiyor mu?
Cevap: Yapay zeka ve otomasyonla dolu bir dünyada yaşamaya hazır olmalıyız. Yakın gelecekte birçok işin modası geçecek. Artık bugünün geleceğini bildiğimize göre, tüm toplum etkili politikalar formüle etmelidir.
Elon Musk'ın "AI eskatolojisi" birçok kişi, özellikle de AI uygulayıcıları tarafından reddedildi. Wu Enda'nın dediği gibi: "Bence iş kaybı çok büyük bir sorun, ancak umarım herkes bilim kurgu gibi şeyleri önemsemek yerine bu sorunu çözmeye odaklanabilir."
Soru: Yapay zeka hangi alanda (tıbbi, finansal vb.) Liderlik edecek ve neden?
Cevap: AI, tıbbi görüntü işleme alanında büyük adımlar attı. Örneğin resimlerle cilt kanserinin belirlenmesinde yapay zeka makineleri, insan doktor seviyesine ulaştı.
Finans ve bankacılık sektörleri de daha hızlı otomatikleştirilecek. Genellikle hisse senedi satın alma karmaşık bir karar verme sürecidir ve nihayetinde bu işlemler çeşitli verilerle belirlenir ve algoritmalar insan kararlarının yerini alır.
Ama yine de yapay zekanın ekonomimizi ve işimizi nasıl etkileyeceğini bilmiyoruz, bunu sadece zaman gösterecek.
Soru: Makine öğrenimi şu anda sıcak bir konu. AI için bir sonraki büyük olay ne olacak?
Cevap: Saf makine öğrenimi perspektifinden bakıldığında, denetimsiz öğrenme bir sonraki büyük şey olacak. Araştırmacıların artık verileri makineye "besleme" şekline denetimli öğrenme adı verilir. Bu veriler yalnızca türü bilmekle kalmaz (resim gibi), aynı zamanda bir etikete (resimdeki bir kedi gibi) sahiptir. Denetimli öğrenme alanında pek çok büyük başarı var.
Makinelerin kendi kendine öğretilmesi nasıl yapılır? Denetimsiz öğrenmenin yaptığı budur. Bir bebek doğduktan sonra, ebeveynlerin her şeyi öğretmesi gerekmez, bebek kendi kendine öğrenir. Tabii ki, denetimsiz öğrenme zor bir şey ve AI araştırmacıları bunun için çok çalışıyor. Örneğin, Yann LeCun son zamanlarda denetimsiz öğrenmeden bahsediyor.
Soru: Denetimsiz öğrenmeyi hafife almış olabilirsiniz. Bu AI problemini onlarca yıldır çalışıyorsunuz, ancak ilerleme olmadı. Bu yeni bir araştırma odağı değil.
Cevap: Cevap için teşekkürler. Burada konuşmak istediğimiz şey, denetimsiz öğrenmenin özel algoritma çerçevesidir. Üretken model bu problemi çözmek için kullanılır çünkü verilerdeki potansiyel değişkenleri belirli bir şekilde tespit edebilir ve yeni veriler üretebilir.
Daha önce bu sorunu çözmek için Wake-Sleep algoritması kullanılmış, ancak çok fazla başarı elde edememiştir. Sonra Boltzmann makinelerinde ve derin inanç ağlarında kısıtlamalar var. Ancak bu teknolojiler gerçek dünyaya uygulandıklarında büyük zorluklarla karşılaştı.
Son zamanlarda, varyasyonel otomatik kodlayıcılar ve üretken rakip ağlar gibi modeller atılımlar yaptı. Bu modellerin kullanılması, yapılandırılmamış veriler üzerinde, karakter çizimleri oluşturma, cümleler oluşturma ve resimleri otomatik olarak renklendirme gibi karmaşık görevleri hızlı ve kolay bir şekilde gerçekleştirebilir.
Evet, insanlar uzun zamandır bu alanda çok çalıştılar. Ve yukarıda bahsedilen yeni teknolojiler aracılığıyla, yeni bir alana yaklaştığımızı düşünüyorum - bırakın makine dünyamızı anlasın.
Soru: Hükümetin yapay zeka için herhangi bir özel yasa ve düzenleme oluşturması gerektiğini düşünüyor musunuz?
Cevap: Asimov robotlarının üç kanunu vardır.
Birinci yasa: Robotlar insanlara zarar vermemeli veya tehlikeye maruz kalacaklarını görmezden gelmemelidir.
İkinci yasa: Robot, birinci yasa ile çelişmediği sürece, insan tarafından kendisine verilen emre itaat etmelidir.
Üçüncü yasa: Robotlar, birinci ve ikinci yasaları ihlal etmeden hayatta kalmalarını mümkün olduğunca korumalıdır.
Cidden, yapay zekanın uygulanmasını düzenleyen bazı yasalar olmalı ve belki de bazı kurumların yapay zekanın etik olmayan alanlarda kullanılıp kullanılmayacağını belirlemek için kod değerlendirmeleri yapmaları gerekiyor. İnsansız araçların yüzleşmek zorunda kaldığı "tramvay sorununu" düşündüm: 10 kişiyi kurtarmak için başka birini feda etmem gerekip gerekmediği.
Bu alanda uzman değiliz.
Soru: Facebook mühendisleri kısa süre önce makine öğrenimi için çeviri programını kapattı. Bu yapay zekaların kendi dillerini yarattığı söyleniyor. Bu konu hakkında ne düşünüyorsunuz? (İlgili raporları görüntülemek için buraya tıklayın)
Cevap: Bunun korkunç olduğunu düşünmüyorum.
Makine öğrenimindeki büyük bir sorun, insanlara benzer yanıtlar veya geri bildirimler üretmektir. Çözümlerden biri, makinenin insan cümleleri oluşturmasına izin vermek ve ardından makineye iyi olup olmadığını söylemektir. Bu yöntem çok zordur çünkü zaman ve çaba gerektirir. Kendi kendine öğretilebilen algoritmalar bile doğru çalışması için milyonlarca külliyat gerektirir. Diğer yol, bir makinenin cümleler oluşturmasına ve diğerinin insan diline uygun olup olmadığına karar vermesine izin vermektir.
Facebook'un işi, pazarlık yapabilen ve pazarlık yapabilen bir makine yaratmaktır, ancak sonuçlar yöntemlerinin işe yaramayacağını gösteriyor, bu nedenle çalışma kapatıldı.
Soru: İki yıldır yapay zeka ve makine öğrenimi ile ilgileniyorum. Gelecekte yapay zeka güvenliği ile ilgili çalışmalara katılma fırsatına sahip olmayı umuyorum. Bana bazı önerilerde bulunabilir misin? Bir şey öğrenmek için ne yaşamalıyım? Çok teşekkürler!
Cevap: Google'daki insanlar, AI güvenlik sorunlarını açıklamak için çok ilginç bir makale yazdı. Beş ana nokta verdiler:
1. Zararlı yan etkilerden kaçının: Robotlar verimlilik peşinde koşarken ikincil hasarı nasıl önleyebilir?
2. Teşvik mekanizmasındaki boşluklardan kaçının: Robotların hile yapmasını nasıl önleyebiliriz?
3. Esnek denetim: Kullanıcıların robotlarla tekrar tekrar doğrulamak için çok yüksek zaman ve maliyet harcamasına gerek kalmadan robotların bağımsız olarak hedefleri doğrulamasını ve görevleri doğru bir şekilde tamamlamasını nasıl sağlayabilirim?
4. Güvenli keşif: Robotların, alışılmadık ortamları keşfedip yeni beceriler öğrendiklerinde insanlara zarar vermesi nasıl engellenir?
5. Çevreyi değiştirdikten sonra güvenilirlik: Robotun, çevreyi değiştirdikten sonra, gereksiz sorunlardan kaçınarak, edindiği becerileri yeni ortama sorunsuz bir şekilde aktarmasını nasıl sağlayabiliriz?
Ek olarak, algoritmaya daha aşina olmanız ve makinenin nasıl çalıştığını bilmeniz önerilir.
Soru: Gelecekte yapay zeka ile ilgilenmek istiyorsanız, şu an için en iyi rota nedir? Şu anda bir toplum kolejinde okuyorum ve bilgisayar bilimleri alanında lisans derecesi için okuyorum.
Cevap: Açıkçası, makine öğreniminde başarılı olmak istiyorsanız, güçlü bir veri arka planına ihtiyacınız olduğunu düşünüyorum. Makine öğreniminin özü istatistiktir, ancak süslü algoritmalarla kaplıdır. Bu alan tıpkı Vahşi Batı gibi hızla gelişiyor, bu nedenle bazı insanlar makine öğrenimini şu şekilde tanımlıyor: kovboy istatistikleri. Ancak makine öğreniminin abartılı olduğunu ve temel istatistiklerin birçok sorunu çözebileceğini düşünüyorum.
Bence beğendiğiniz diğer alanlarda araştırmaya devam etmelisiniz. Eldeki verilerin anlamını anlamıyorsanız, iyi bir modelleme yapamazsınız. Hepimiz belirli bir problemi inceleyeceğiz ve ilgi alanlarına göre makine öğrenimi yöntemlerini uygulayacağız. Elbette, saf makine öğrenimi araştırmasına katılmayı da seçebilirsiniz.
Kısacası hem matematik hem de ilgi alanınız önemlidir.
Daha fazla Soru-Cevap içeriği için bu web sitesini ziyaret edebilirsiniz:
https://www.reddit.com/r/IAmA/comments/6qbw5f/we_are_phd_students_from_harvard_university_here/
Soru-Cevap bölümüne katılan William Yuan
Son olarak, bazı önerilerde de bulunurlar:
-
Programlamaya başlamak bu web sitesini CodeAcademy kullanabilir
Adres: https://www.codecademy.com/
-
Gelişmiş öğrenme Python programlama dili gerektirir
Adres: https://www.edx.org/course/introduction-computer-science-mitx-6-00-1x-10
-
Ve bilgisayar bilimine giriş dersi (CS50)
Adres: https://www.edx.org/course/introduction-computer-science-harvardx-cs50x
-
Olasılık Dersine Giriş (Stat110)
Adres: https://projects.iq.harvard.edu/stat110/about
-
Makine öğrenimine giriş kursu
Adres: https://www.coursera.org/learn/machine-learning
-
Tahmin yapmak için verileri kullanmaya nasıl başlayacağınızı bilmiyor musunuz? Ve makine öğrenimi becerilerini başkalarıyla karşılaştırmak mı istiyorsunuz? Kaggle yarışmasına katılmayı deneyebilirsiniz.
Adres: https://www.kaggle.com/
-
En iyi makine öğrenimi ders kitabını önerin: "Makine Öğrenimi: Olasılıksal Bir Perspektif"
Adres: https://www.cs.ubc.ca/~murphyk/MLbook/
-
Sklearn: Kutudan çıktığı haliyle gerçekten harika makine öğrenimi algoritması
Adres:
-
TensorFlow: kendi algoritmalarınızı oluşturmak için kullanılabilecek gelişmiş bir makine öğrenimi araç seti
Adres: https://www.tensorflow.org/tutorials/
Öğretici: https://github.com/aymericdamien/TensorFlow-Examples
Bitiş
Etkinlik Kaydı
9 Ağustos akşamı (Çarşamba) Qubit, Üçgen Canavar'ın baş bilim adamı Baoxun Wang'ı, çekişmeli öğrenmeye dayalı üretken bir diyalog modelini paylaşmaya davet etti. Kayıt olmak için lütfen buraya tıklayın ~
