Leifeng.com: 9 Nisan'da Shenzhen'de Beşinci Çin Elektronik Bilgi Fuarı (CITE 2017) açıldı. Huawei'in Akıllı Mühendislik Departmanı Direktörü Zhang Baofeng, yapay zekanın sanayileşmesinde karşılaşılan bazı zorluklar hakkındaki görüşlerini dile getirdi.
Zhang Baofeng, "Yapay zeka yapan insanlar aslında giderek daha muhafazakar hale geliyor, ancak yapay zeka diyen insanlar giderek daha aptal hale geliyor" dedi. Peki, yapay zekayı insanları giderek daha muhafazakar kılan nedir? Yapay zeka sanayileşme sürecinde hangi zorluklarla karşı karşıya? Günümüzde yapay zekanın gelişimindeki eğilimler nelerdir? Cevap olarak Zhang Baofeng ayrıntılı bir cevap verdi.
Leifeng.com konuşmasını düzenledi:
2017'nin yapay zeka sanayileşmesinin ilk yılı olması gerektiğine çok katılıyorum. Herkes yapay zekanın ürünlerde gerçekten kullanılabileceğini ve kullanıcı deneyiminde ve ürün değerinde gerçek bir iyileşme getireceğini umuyor. Bugün, yapay zeka teknolojisinin kendisinde, özellikle yapay zekanın karşı karşıya olduğu mevcut zorluklarla ilgili dört ana eğilimi paylaşıyorum.
Şu anda yapay zekanın ne olduğu çok net değil ... İnsanın zeki bir yaşam öznesi iken nasıl bilgelik ürettiğini bilmiyoruz. 1963 yılında iki psikolog böyle bir deneyi gerçekleştirdi: İki ikiz yavru kedinin doğumundan sonra, atlıkarınca üzerinde günde bir saat dışında karanlık ve kapalı bir ortamda yaşadılar. Bir ay sonra biri otonom yürüyebilirken diğeri sadece tek bir pozisyonda sabitlenebilir ve hareket edemez .. Canlı bir bedenin üç boyutlu uzayda hareket etmesi için akıllıca derinlik algısı çok önemli bir bilgidir. Yani sekiz hafta sonra, yalnızca çevreyi algılayabilen ancak hareket edemeyen bir kedi yavrusu aslında derinlik algısını kaybetti. Bunun bize getirdiği aydınlanma nedir?
Öncelikle yapay zekanın karar verme yeteneklerini nasıl ürettiği önemli değil, geri bildirimin çok önemli olduğunu düşünüyorum. Mevcut popüler çatışmaya dayalı üretim ağı, pekiştirmeli öğrenme ve diğer algoritmalar aslında geri bildirimin etkisini ve değerini vurgulamaktadır. Yapay zeka gerçekten gerçekleştiğinde iki faktörün çok önemli olduğunu düşünüyorum: Birincisi, verilerin kademeli olarak entegrasyonu. Bu, büyük veri analizi ve madenciliğin getirdiği değeri değil, gerçek sinyallerin girişini vurgulamak içindir.Tüm dijital şeyler tamamen bilgi işleme sistemine aktarılabilirse, bilgi sistemi gerçekten tam miktarda bilgiyi elde edebilir, gerçek sinyaller üretmek mümkündür. Değerli geri bildirim işleme; diğeri kapalı döngü iş bağlantısını ifade eder. Bir yapay zeka sistemi kurduğumuzda, sözde "AI halkasını" inşa etmeliyiz. Örnek olarak Google arama motorunu ele alalım.Bir anahtar kelime girdiğinizde önce Google arama motoru arayüzünü çağırırsınız. Kullanıcı bilgiyi aldıktan sonra çok önemli bir geri bildirim vardır - tıklayın. Kullanıcı bir bağlantı arar ve belirli bir bağlantıyı tıklarsa Öğe, bu, giriş içeriği ile tıklanan içerik arasında çok güçlü bir bağlantı ilişkisi veya korelasyon ilişkisi olduğu anlamına gelir. Böyle bir korelasyon ilişkisi algoritma tarafından analiz edildikten sonra, arama motorunun arka planı içeriği yeniden sıralar. Kapalı döngü bir sistem, bir geri bildirim sisteminin önemi olan bir yapay zeka sisteminin öğrenme yeteneğini gerçekten kullanır.
Pek çok insan büyük veri analizini yapay zeka ile karıştırır, ancak benim bilişime göre, büyük veri statik verilerin analizini vurgular ve büyüyen bir sistem genellikle dinamik bir sistemi ifade eder. Yalnızca kapalı döngü geri bildirimli bir sistem uzun süre gelişebilir ve hatta hayatta kalabilir. Bu nedenle, bu, yapay zeka oluşturma sürecimizde çok önemli bir eğilim: gerçekten uzun vadeli öğrenme yeteneklerine sahip olabilmesi için kapalı döngü bir sistem oluşturmalıyız.
2. Yutturmaca pragmatik olacak ve uygulamayı ölçeklendirmek için Yüksek Bahis riskini alacak
Günümüzde yapay zeka yapan insanlar aslında gittikçe daha muhafazakar ama yapay zeka diyen insanlar giderek daha aptal hale geliyor. Yapay zeka karar verme sürecine dahil edildiğinde, günümüzün makine öğrenimi yapay zeka sistemi altında modeller eğitiyoruz ve bu sorun kaçınılmaz olarak ortaya çıkacak: Elde ettiğimiz veri bilgileri eksik olsa bile Veri bilgilerinin eksiksiz olup olmadığını kendimiz bilmediğimizde, modeliniz bazı durumlarda kesinlikle çok büyük sapmalara sahip olacak ve bu da sistemin kontrol edilemez olmasına neden olacaktır. Yapay zekayı gerçekten sanayileştirmek istiyorsak, anormal durumlarda yıkıcı sonuçlar üretmeyecek sapmaları kontrol etmek için bir mekanizma icat etmeli veya keşfetmeliyiz. Böyle bir temel ile, AI karar verme sistemini çok hassas veya yüksek riskli endüstrilere gerçekten uygulamak mümkündür.
Otonom bir araçta bir kaza meydana geldiğinde, sonuçlar çok ciddidir. Bu, yatırım kararları için de aynıdır. AI on milyonlarca veya hatta 100 milyondan fazla yatırım yapmak için kullanıldığında, küçük bir olasılık olayı meydana geldiğinde, ortaya çıkan felaket sonuçları tüm AI sisteminin çöküşü. Bu ikinci eğilim, umarım herkes uzun süre bunu düşünebilir Karar verme sistemlerine AI sistemleri uygularken kontrol edilemeyen problemler nasıl çözülür?
Üçüncü sorun aynı zamanda Huawei için de büyük bir acı noktası ... Geçen yıl itibariyle Huawei dünya çapında 500 ila 600 milyon cep telefonu sattı, bu nedenle çok sayıda kullanıcı da bazı veriler biriktirdi. Ancak, AI sistemine yardım ettiğimizde, büyük verilerin etiketlenmesinin temelde dayanılmaz bir yük olduğunu ve büyük verilerin etiketlenmesinin çok büyük insan gücü gerektirdiğini gördük. Ve büyük bir zorluk var: Bir makine öğrenimi sisteminde, model ne kadar karmaşık olursa olsun, temelde bazı kurallar vardır. Giderek daha fazla kural ortaya çıktığında ve tüm algoritmanın sınırına yaklaşıldığında, kuralların kendisi birbiriyle çatışır. Öyleyse onu gerçekten bilgiye, büyüyüp kendine adapte olabilen bir bilgiye nasıl dönüştürebilirsiniz?
Bu soruna yanıt olarak, sektörde artık küçük veri öğrenimi ortaya çıkmıştır. Bir çocuğun öğrenme sürecinde, çoğu zaman makine gibi bir formül oluşturmak için çok büyük veri ve yoğun eğitim gerektirmez.Eğer bir çocuk ateşe dokunduğunda haşlanırsa, temelde ikinci kez, parmağını asla doğrudan almayacaktır. Ateşe dokunmak için. Aynısı öğrenme sistemi için de geçerlidir, yani mevcut öğrenme görevlerini daha düşük bir maliyetle tamamlayabiliriz. Bu nedenle, pratik olup olmadığını görmek için küçük veri öğrenmeye de çok dikkat ediyoruz.
4. Hukuk keşfinden akıl yürütme karar vermeye, insan-makine işbirliğinin yükselişi
Sözde hesaplama gücü, çok karmaşık bir veri ortamında bilgisayarın, sınıflandırma ilişkisi gibi veriler arasındaki ilişkiyi hızlı bir şekilde hesaplayabileceği, ancak bu sınıflandırmaların anlamını bilmediği anlamına mı geliyor? Bu tür bir bilgi işlem gücü, insanın erişemeyeceği bir şeydir, ancak insanlar soyutlamayı ve nedensel çıkarımı sınıflandırmada çok iyidir. Bu nedenle, bilgisayarlar insanlarla aynı zeka ve öğrenme yeteneğine sahip olmadan önce, eğer bazı insan yetenekleri teknik hesaplama yetenekleriyle birleştirilirse, bu tür bilgisayar sistemlerinin kullanıcılara gerçekten değerli hizmetler, sözde insan-bilgisayar işbirliği sağlayabilmesi mümkündür. Yol. Bırakın makine öğrensin, insanların eğitmesine izin verin ve mevcut aşamada kullanılabilecek bir sistem haline getirin.
Leifeng.com, serginin heyecan verici içeriği hakkında bilgi vermeye devam edecek, bizi izlemeye devam edin!