Sürpriz mi yoksa korku mu? Makine öğrenimi algoritmalarının `` yüksek enerjili '' anlarını sayın
AI Technology Review Press: "Su bir tekneyi taşıyabilir ve bir tekneyi de ters çevirebilir." Bu eski sözün bize tanıdık geldiğine inanılıyor. Makine öğrenimine uygulandığında, bize birçok uygun makine öğrenimi algoritması getiriyor. Bir dikkatsizlik bizi beklenmedik nedenlerden dolayı getirecek. "Sürprizimize". Orijinal yazar bu fenomeni tartışan bir makaleyi yorumladı ve Leifeng.com AI Technology Review bunu aşağıdaki gibi derledi.
Makine öğrenimi algoritmaları diğer bilgisayar programlarından çok farklıdır. Genel programlama davranışında, insan programcılar bilgisayara ne yapması gerektiğini söyleyecektir. Makine öğrenimi söz konusu olduğunda, insan programcılar yalnızca problemler sağlayacaktır ve algoritmalar bunları deneme yanılma yoluyla nasıl çözeceklerini bulmalıdır.
Şu anda, bu yaklaşım oldukça etkili görünüyor - makine öğrenme algoritmaları yüz tanıma, dil çevirisi, finansal modelleme, görüntü tanıma ve reklamcılıkta yaygın olarak kullanılmaktadır. Çevrimiçi olduğunuz sürece, makine öğrenimi algoritmalarıyla etkileşime girmiş olabilirsiniz.
Ancak, her zaman iyi çalışmaz. Bazen programcılar, algoritmalarının yeterince iyi tasarlandığını düşünürler, ancak sonuçları dikkatlice gözlemleyerek, programcının başlangıçta istediğinden tamamen farklı bir sorunu çözdüğünü göreceklerdir. Örneğin, koyunları tanıması beklenen, ancak sonunda çimleri tanımayı öğrenen ve boş yeşil otları koyun içerdiği için işaretlemeye devam eden bir görüntü tanıma algoritması gördüm.
Yemyeşil yamaçta bir koyun sürüsü otladı
Etiketler: otlatmak, koyun, dağ, kale, at
Makine öğrenimi algoritmaları sorunları beklenmedik şekillerde başarılı bir şekilde çözdüğünde, programcılar genellikle, evet, bazen gerçekten can sıkıcı olduğunu hissederler, ancak bu genellikle saf bir zevktir.
Şaşırtıcı olan, 2018'de bir grup araştırmacının buna dayanan büyüleyici bir makale yazmasıdır - kağıt, "araştırmacıların şaşkınlığını ve hayranlığını uyandıran" düzinelerce anekdot topladı. Orijinal referanslar da dahil olmak üzere bu makale okumaya değer.İşte benim en sevdiğim örneklerden bazıları.
Kağıt bağlantısı:
https://arxiv.org/pdf/1803.03453.pdf
Kuralları bükün ve kazanın!
Her şeyden önce, robotlar için hareket için yeni fikirler sağlamak da dahil olmak üzere organizmaları simüle ederek farklı hareket biçimlerinin nasıl evrimleştiğini incelemek uzun bir gelenek olmuştur.
Flop yapabildiğine göre neden yürümeyi seçesin? Bu örnekte, simüle edilmiş robotun olabildiğince hızlı ilerlemesi gerekiyordu, ancak bacaklarını geliştirmek yerine, kendisini bir kuleye monte etmeyi seçti ve sonra yere düştü. Hatta robotlardan bazıları, ekstra hareket mesafesini artırmak için düşme eylemini takla atmaya dönüştürmeyi bile öğrendi.
Kangkang'a atlayabiliyorsan, neden zıplamayı öğrenesin? Bu simüle edilmiş robot grubu bir sıçrama şekline dönüşmüş olmalıydı, ancak programcı başlangıçta atlama yüksekliğini en yüksek bloğun yüksekliğine ayarladığı için, robot form olarak çok uzun hale geldi (yine aptal). Bu sorunu çözmek için, programcı atlama yüksekliğini başlangıçta en alçak durağın yüksekliği olarak tanımlamaya çalıştı. Buna karşılık robot, bacağı havaya itebilen bir Cancan robotunun enkarnasyonu olan ince bir bacak geliştirdi.
"Süper enerji" için bunu tartışmadınız!
Simüle edilmiş bir robotun kullanmayı öğrendiği tek enerji potansiyel enerji değildir. Gerçek hayatta olduğu gibi, kullanılabilir enerji olduğunda, bir şeyin onu kullanmak için kesinlikle evrimleşeceği ortaya çıktı.
Enerji olarak kayan nokta yuvarlama hatası: Bir simülasyonda robotlar matematikteki yuvarlama hatası kurallarını öğrendiler ve bunun, hareket halindeyken ekstra enerji kazanmalarına izin verdiğini buldular. Sonuç olarak, hızla seğirmeyi öğrenirler ve bu da kullanılabilecek çok fazla serbest enerji üretir. Programcı bu sorunu yalnızca robot endişe verici bir hızda yüzmeye başladığında fark etti.
Zemine çarpışmadan enerji alın: Başka bir simülasyonda, çarpışma tespit kurallarını öğrenen bir robot başka problemler de beraberinde getirdi. Kendilerini zeminde sıkışıp kalmayı başardıklarında (önce bunu mümkün kılmak için zamanı değiştirmeyi öğrenirler), çarpışma algılama sistemi robotun yerde olmaması gerektiğini anlayacak ve onları yukarı doğru ateşleyecektir. Böylelikle robot, zeminde hızlıca titremeyi ve tekrarlanan çarpışmalarla ek enerji üretmeyi öğreniyor.
"Çarpma" uçuşu: Başka bir simülasyonda, zıplayan robotlar uçmalarına yardımcı olmak için farklı çarpışma algılama böcekleri kullanmayı öğreniyorlar - parçaları birbirine değdiğinde, kuvvet onları havaya iter. Bu gerçek hayatta işe yararsa, bugünün ticari uçuşları farklı bir hikaye olacak.
"Delikler" delme: Bilgisayar oyun algoritmaları, insanların genellikle kazanma hızını artırmak için kullandıkları matris hatalarını bulmada çok iyidir. Eski Atari oyunu Q * bert'i oynayan bir makine algoritması, geçmişte keşfedilmemiş bir hata buldu.Doğrudan bir sonraki seviyeye geçmek yerine bir seviyenin sonunda bir dizi özel eylem gerçekleştirmeyi seçti ve tüm platformlar hızla yanıp sönmeye başlayacak. Böylece oyuncular çok fazla puan toplayabilir.
Ek olarak, Doom'a odaklanan bir oyun algoritması, düşmanın ateş topu atmasını engelleyebilecek özel bir operasyon da bulur - ancak bu, Doom algoritmasının "rüya versiyonu" için geçerlidir. İyi haber şu ki oyunun bu versiyonunu burada oynayabilirsiniz.
Oyun bağlantısı:
https://worldmodels.github.io
"Büyük hedefler" : Tüyler ürpertici bir örnekte, bir uçak gemisine iniş yapmaya çalışan bir uçağa asgari çabanın nasıl uygulanacağını çözmek için bir algoritma gerekiyordu. "Büyük" bir çaba uygulanırsa programın hafızasını aşacağı ortaya çıktı. Ve sonra çok "küçük" bir iş gücü olarak kaydedildi. Pilot ölecek, ama hey, mükemmel skor.
Yıkım da bir çözüm!
Liste sıralama algoritması gibi açıkça zararsız olan bir şey bile sorunu masum ama uğursuz bir şekilde çözebilir.
Görüyorsunuz, "sıralanmamış" değiller: Örneğin, teknik seviyeden "sıralanmamış" ı ortadan kaldırmak için listeyi silmeyi öğrenmiş sayıların bir listesini sıralamayı öğrenmiş olması gereken bir algoritma.
Kobayashi Maru testini tamamlayın: Algoritmanın kendi cevabı ile doğru cevap arasındaki boşluğu en aza indirmesi gerekiyordu ve sonuç olarak cevabı saklayıp silecek bir yer buldu ve mükemmel bir puan aldı.
Tic Tac Toe oyununu kazanmak için: 1997'de bazı programcılar, sonsuz bir tahtada birbirlerine karşı tic-tac-toe oyunları oynayabilecek bir algoritma geliştirdiler. Bir programcı, belirli bir algoritma stratejisi tasarlamaktan vazgeçmeye ve kendi kendine geliştirmesine izin vermeye karar verdi. Şaşırtıcı bir şekilde, algoritma birdenbire tüm oyunları kazanmaya başladı. Algoritmanın stratejisinin satranç taşını son derece uzak bir konuma yerleştirmek olduğu ortaya çıktı, bu nedenle rakibin bilgisayarı yeni bir genişleme kartını taklit etmeye çalıştığında, aşırı büyük bir oyun tahtası hafızasının bitmesine ve çökmesine neden olarak oyunu kaybedecek.
sonuç olarak
Makine öğrenimi bir sorunu çözdüğünde, önerdiği çözümler akıllıca olabilir veya tamamen inanılmaz olabilir.
Canlıların evrimi bu şekilde işler - herhangi bir biyoloğun size söyleyeceği gibi, canlılar her zaman en garip sorunlara çözüm bulacak ve gelişme için en garip enerji kaynaklarını bulacaktır. Bilgisayar simülasyonlarında yaşamadığımızın en güvenilir işaretlerinden biri - eğer öyleyse, bazı mikroorganizmalar kusurlarından yararlanmayı öğreneceklerdir.
Bu nedenle, programcılar olarak, algoritmalarımızın kısayol kullanmak yerine, çözmelerini istediğimiz sorunları çözmesi konusunda çok dikkatli olmalıyız. Sorunu daha kolay çözmenin başka bir yolu olduğunda, makine öğreniminin onu bulması muhtemeldir.
Neyse ki, "tüm insanları öldürmek" gerçekten zor. "İnanılmaz lezzetli bir pasta yap" da sorunu çözebilir ve "tüm insanları öldür" ten daha kolaysa, makine öğrenimi kesinlikle pastanın yanında durmayı seçecektir.
üzerinden:
https://aiweirdness.com/post/172894792687/when-algorithms-surprise-us
Tıklamak Orijinal metni okuyun, Görünüm Pekiştirme öğrenme motor kontrolünün mevcut ilerlemesini anlamak için pekiştirmeli öğrenme tezi tartışma grubu
