כמה מן המוחות הטובים ביותר ב- AI יורדים על פסגת הלמידה העמוקה של לונדון - מחשוב - 2019

Anonim

הבינה המלאכותית מעולם לא היתה נוכחת - או מגניבה - כפי שהיא היום. ואחרי שנים בפריפריה, הלמידה העמוקה הפכה לשיטת הלימוד המצליחה והנפוצה ביותר בעולם.

אלגוריתמי DL יכולים כעת לזהות אובייקטים טובים יותר מרוב בני האדם, הרופאים בביצוע יתר על המידה באבחון מחלות, והיכו את הסבים במשחק הלוח שלהם. בשנה האחרונה לבדה, אלפאגו של Google DeepMind הביסה את אחד השחקנים הגדולים בעולם - הישג שרוב המומחים הניחו כי ייקח עוד עשור לפחות.

כמה מן המוחות הטובים ביותר ב- AI נמצאים בפגישת Re Deep Work Learning בלונדון השבוע כדי לדון באתגרים המושרשים ובפתרונות המתפתחים לאינטליגנציה מלאכותית באמצעות למידה עמוקה. חוקרים מגוגל, אפל, מיקרוסופט, אוקספורד וקיימברידג '(עד כמה שם) נמצאים בהשתתפות או נותנים שיחות. מייסדת העבודה, ניקיטה ג'ונסון אמרה ל- Digital Trends כי "האירועים שלנו מפגשים שילוב רב-תחומי של שלוש קהילות עיקריות: סטארט-אפים, אקדמיה ותעשייה, כדי לעודד שיתוף פעולה ודיון".

בשבועות הקרובים נחקור את הנושאים האלה לעומק ונשמע ממומחים על האופן שבו אלגוריתמים חכמים יהפכו את חיי היומיום שלנו למחר ובשנים הבאות.

אבל מה בדיוק למידה עמוקה?

הלמידה העמוקה היא שיטה ללימוד מכונה שמכשיר מערכות באמצעות כמויות גדולות של נתונים ושכבות מרובות של עיבוד.

עדיין מבולבל? אתה לא לבד.

"אנשים אומרים לעתים קרובות, " אתה לא יכול להבין את הלמידה העמוקה באמת. זה מופשט מדי ", אמר ניל לורנס, פרופסור ללימודי מכונה וביולוגיה חישובית באוניברסיטת שפילד, במהלך הצגה הפתיחה שלו. "אבל אני חושב שאנשים יכולים להבין את זה בצורה אינטואיטיבית ".

כדי לעזור לדיוטות - ואפילו לחובבים מסוימים - לתפוס את המושג של למידה עמוקה, לורנס צייר מקבילה למשחק קרנבל קלאסי, שבו שחקן מטיל כדור על לוח עץ כדי לנחות אותו בחריץ בתחתית. זוהי משימה קשה להגיע חריץ מסוים - סיכוי גרידא. אבל לדמיין אתה יכול להסיר יתדות כדי לעזור להנחות כדורים בכיוונים מסוימים חריצים המיועדים. זה משהו כמו למשימה שבוצעה על ידי אלגוריתמים למידה עמוקה.

"ההיבט הקשה הוא להתאים את 'יתדות' כך כי 'כן' להיכנס לחריץ 'כן' ואת 'nos' להיכנס לחריץ 'לא', " אמר לורנס.

נשמע פשוט? זה לא.

זו בעיה שאנשים התמודדו בה במשך עשרות שנים והיא עדיין רחוקה מלהפתר. גם מערכות הלימוד העמוקות ביותר של היום יכולות לעשות משימה אחת טוב, אבל להיכשל כאשר הן מתבקשות לעשות משהו אפילו שונה במקצת. כפי שציינה דייהמיינד של ראייה האדסל, אתה יכול לבלות שבועות או חודשים אימון אלגוריתם לשחק משחק Atari אבל ידע זה לא יכול להיות generalised. במילים אחרות, אתה יכול ללמד מערכת לשחק פונג אבל צריך להתחיל מאפס אם אתה רוצה זה לשחק פולשים מהחלל .

יכולות להיות פתרונות - Hadsell חושב הצוות שלה ב DeepMind יש לפחות אחד - אבל את החסרונות להראות רק כמה עובדים יש עבודה לפני אותם.