Joseph Goodman
0 
999
228
AI geri döndü.
1980'lerden bu yana ilk kez, yapay zeka araştırmacıları zor problemlerde somut bir ilerleme kaydediyor ve insanlar tekrar güçlü AI hakkında ciddi şekilde konuşmaya başlıyor. Bu arada, gittikçe artan veri güdümlü dünyamız, özellikle yeni mobil istihbarattan para kazanmak isteyen şirketler arasında bir silahlanma yarışına başladı..
Paketi yönlendiren iki dev, Google ve Microsoft. İlk savaş? Yapay zekada yeni bir alan adı verildi “Derin Öğrenme.”
Peki kim kazanıyor??
Google Beyin
Google’ın araştırma çalışmaları 'Google Beyin' adında bir projenin etrafında toplandı. Google Brain, başarı oranı düşük ancak çok yüksek potansiyele sahip ayçiçeği projelerinden sorumlu olan Google'ın ünlü / gizli 'Google X' araştırma laboratuvarının ürünüdür. Google X’in diğer ürünleri arasında Proje Loon, balon İnternet girişimi ve Google kendi kendini süren otomobil projesi yer alıyor. İşte Sürücüler Otomobillerle Dolu Bir Dünyaya Nasıl Gidiyoruz? İşte Sürücüler Otomobillerle Dolu Bir Dünyaya Nasıl Gidiyoruz? sıkıcı, tehlikeli ve zorlu bir görev. Bir gün Google’ın sürücüsüz otomobil teknolojisi ile otomatikleştirilebilir mi?? .
Google Beyin, öncelikle görüntü işlemeyi amaçlayan, ancak daha geniş bir tutkuyla, muazzam bir makine öğrenme girişimidir. Proje, Çin'in en büyük arama motoru olan Baidu için çalışmak üzere projeden ayrılan makine öğrenim uzmanı Stanford Profesörü Andrew Ng tarafından başlatıldı..
Google’ın AI araştırmalarına katılımı uzun bir geçmişe sahiptir. Bir makine görsel başlangıcının CEO'su Matthew Zeiler ve Google Brain'de çalışan bir stajyer şöyle diyor:
“Google gerçekten bir arama şirketi değil. Bu bir makine öğrenim şirketi […] Şirketteki her şey gerçekten makine öğrenmesiyle yönlendiriliyor.”
Projenin amacı, daha az işlem gücü kullanarak veride daha derin ve daha anlamlı kalıplar bulabilecek sinir ağları oluşturmak için derin öğrenme algoritmalarını geliştirmenin yollarını bulmaktır. Bu amaçla, Google, agresif bir şekilde derin öğrenme yeteneğini satın alarak, 500 milyon dolarlık AI başlangıç DeepMind satın alımını içeren satın alımlar gerçekleştirdi..
DeepMind, teknolojilerinin uygulamaları konusunda Google'ı, yazılımlarını dünyaya zarar vermemek için tasarlanmış bir etik panosu oluşturmaya zorlayacak kadar endişeliydi. İşte Bilim İnsanlarının Yapay Zeka için Endişelenmeniz gerektiğini Düşünmeleri İşte Bilim Adamlarının Yapay Zeka Hakkında Endişelenmeniz gerektiğini Düşünmeleri Yapay zekanın tehlikeli olduğunu düşünüyor musunuz? AI insan ırkı için ciddi bir risk oluşturabilir mi? Bunlar endişe duymak isteyebileceğiniz bazı nedenler. . DeepMind henüz ilk ürününü piyasaya sürmedi, ancak şirket dünyadaki tüm derin öğrenme uzmanlarının önemli bir bölümünü kullandı. Bugüne kadar, teknolojilerindeki tek halka açık demoları Atari'de gerçekten çok iyi bir oyuncak AI oldu..
Derin öğrenme göreceli olarak yeni bir alan olduğu için, büyük bir nesil uzman üretmek için zamanı olmadı. Sonuç olarak, bölgede çok az uzmanlığa sahip bir çok insan var ve bu, bu alanda yer alan herkesi işe alarak önemli bir avantaj elde etmenin mümkün olduğu anlamına geliyor..
Google Brain, şimdiye kadar Android'in ses tanıma özelliğine ve otomatik olarak StreetView görüntülerini kataloglamak, adresler gibi önemli özellikleri tanımlamak için uygulandı. Erken bir test, bir Google derin öğrenme ağının Youtube videolarındaki kedileri otomatik olarak önceki teknolojiden daha yüksek bir doğruluk oranına sahip olarak tanımlamayı öğrendiği ünlü kedi deneyiydi. Konuyla ilgili makalelerinde, Google şöyle ifade etti:
“Yaygın olarak algılanan bir sezginin aksine, deneysel sonuçlarımız, bir yüz algılayıcıyı, görüntüleri bir yüz içeriyor olsun veya olmasın olarak etiketlemek zorunda kalmadan eğitmenin mümkün olduğunu ortaya koyuyor […] Şebeke gibi yüksek düzey kavramlara karşı hassastır kedi yüzleri ve insan bedenleri. Bu öğrenilen özelliklerden yola çıkarak, önceki teknolojinin [ağlar] 'a kıyasla yüzde 70'lik bir nispi gelişme oranı olan 20.000 nesne kategorisinin tanınmasında yüzde 15.8 doğruluk elde etmek için eğitim aldık.”
Sonunda, Google derin öğrenme algoritmalarının yapılmasını istiyor… aslında, hemen hemen her şeyi. IBM'in Watson gibi güçlü AI platformları, bu tür düşük seviyeli makine öğrenme algoritmalarına güveniyor ve bu cephedeki gelişmeler AI'nın genel alanını çok daha güçlü hale getiriyor.
Google Beyin tarafından desteklenen, Google Asistan'ın gelecekteki bir sürümü hem konuşmayı hem de görüntüleri belirleyebilir ve kullanıcıların daha akıllı kararlar vermelerine yardımcı olmak için bu veriler hakkında akıllı bilgiler sağlayabilir. Google beyin arama sonuçlarından Google Çeviri’ye kadar her şeyi geliştirebilir.
Microsoft Adam
Microsoft'un derin öğrenme savaşına yaklaşımı biraz farklı olmuştur. Microsoft, algoritmalarını geliştirmek için derin öğrenme uzmanları almaya çalışmak yerine, uygulamayı geliştirmeye ve kullanılan algoritmaları paralel hale getirmenin daha iyi yollarını bulmaya odaklanmıştır. tren derin öğrenme algoritmaları.
Bu proje denir “Microsoft Adam.” Teknikleri gereksiz hesaplamayı azaltır ve sonuç elde etmek için daha az işlemci kullanırken sonuçların kalitesini iki katına çıkarır. Bu, köpeklerin bireysel ırklarını fotoğraflardan yüksek doğrulukla tanıyabilen bir ağ da dahil olmak üzere etkileyici teknik başarılara yol açmıştır..
Microsoft, projeyi şöyle açıklar:
Proje Adamının amacı, herhangi bir nesneyi görsel olarak tanımak için yazılım sağlamaktır. Trilyonlarca bağlantı aracılığıyla bu tür dernekleri mümkün kılan devasa sinir ağları göz önüne alındığında, bu çok büyük bir düzendir. […] Diğer sistemlere göre 30 kat daha az makine kullanılarak, [internet görüntü verileri] yapılan bir sinir ağını eğitmek için kullanılmıştır iki milyardan fazla bağlantı. Bu ölçeklenebilir altyapı, nesne tanımada iki kat daha doğrudur ve diğer sistemlerden 50 kat daha hızlıdır.
Bu teknoloji için bariz uygulama Microsoft'un yeni sanal asistanı Cortana'da. Cortana Hayatımda "Diğer Kadın" Oldu. Cortana Hayatımda "Diğer Kadın" Oldu. Bir gün belirdi ve hayatımı değiştirdi. Tam olarak neye ihtiyacım olduğunu biliyor ve çok kötü bir mizah anlayışı var. Cortana'nın cazibesi için düşmüş olmam şaşırtıcı değil. , Halo’daki AI karakterinden esinlenmiştir. Siri ile rekabet etmeyi amaçlayan Cortana, karmaşık konuşma tanıma tekniklerini kullanarak bir dizi zekice şey yapabilir..
Tasarım amacı, daha doğal etkileşime sahip bir asistan oluşturmak ve kullanıcı için derinlemesine öğrenmenin çok yardımcı olacağı daha geniş bir dizi yararlı görevi gerçekleştirebilmektir..
Microsoft'un derin öğrenmenin arka ucundaki gelişmeler etkileyicidir ve daha önce mümkün olmayan uygulamalara yol açmıştır..
Derin Öğrenme Nasıl Çalışır?
Konuyu biraz daha iyi anlamak için, bu yeni teknolojiyi anlamak için bir dakikanızı ayıralım. Derin öğrenme, genellikle sinir ağlarına uygulanan akıllı bir yazılım oluşturmak için kullanılan bir tekniktir. Her biri selefinin çıktısındaki kalıpları bularak daha basit sinir ağlarını bir araya getirerek büyük ve kullanışlı ağlar oluşturur. Bunun neden faydalı olduğunu anlamak için, derinlemesine öğrenmeden önce neyin geldiğine bakmak önemlidir..
Geri Yayılımlı Sinir Ağları
Bir sinir ağının altında yatan yapı aslında oldukça basittir. Her 'nöron', girdi alan küçük bir düğümdür ve ne zaman karar vereceğine karar vermek için iç kuralları kullanır. “ateş” (çıktı üretmek). Her bir nöronun içine giren girdiler “ağırlıklar” - sinyalin pozitif mi negatif mi olduğunu ve ne kadar güçlü olduğunu kontrol eden çarpanlar.
Bu nöronları birbirine bağlayarak, herhangi bir algoritmayı taklit eden bir ağ oluşturabilirsiniz. Girişinizi giriş nöronlarına ikili değerler olarak besler ve çıkışı almak için çıkış nöronlarının ateşleme değerini ölçer. Bu nedenle, herhangi bir türdeki sinir ağlarının hilesi bir ağ almak ve ilgilendiğiniz işleve en yakın olan ağırlık kümesini bulmaktır..
Verileri temel alarak ağı eğitmek için kullanılan algoritma olan geri yayılım oldukça basittir: ağınızı rasgele ağırlıklarla başlatırsınız ve daha sonra bilinen cevaplarla verileri sınıflandırmaya çalışırsınız. Ağ yanlış olduğunda neden yanlış olduğunu kontrol edersiniz (hedeften daha küçük veya daha büyük çıktılar üretirsiniz) ve bu bilgileri ağırlıkları daha yararlı bir şekilde dürtmek için kullanın.
Bunu tekrar tekrar yaparak, birçok veri noktası için, ağ tüm veri noktalarınızı doğru şekilde sınıflandırmayı ve umarım yeni veri noktalarını genelleştirmeyi öğrenir. Geri yayılım algoritmasının temel kavrayışı, hata verilerini ağda geriye doğru taşıyabileceğiniz, son katmana yaptığınız değişikliklere göre her katmanı değiştirebileceğiniz ve böylece daha karmaşık kalıpları anlayabilen ağları birkaç katman oluşturmanıza olanak tanıdığıdır..
Backprop, 1974'te Geoffrey Hinton tarafından icat edildi ve sinir ağlarının tarihte ilk kez geniş uygulamalar için yararlı olmasını sağlamanın olağanüstü etkisine sahipti. Önemsiz sinir ağları, 50'li yıllardan beri var olmuştur ve başlangıçta mekanik, motor tahrikli nöronlarla uygulanmıştır..
Backprop algoritması hakkında düşünmenin bir başka yolu, olası çözümlerin peyzajındaki bir kaşiftir. Her bir nöron ağırlığı, keşfedebileceği başka bir yöndür ve çoğu sinir ağı için, bunlardan binlerce tane vardır. Ağ, hatayı azaltmak için hangi yöne hareket etmesi gerektiğini ve ne kadar uzağa gitmesi gerektiğini görmek için hata bilgilerini kullanabilir..
Rastgele bir noktada başlar ve sürekli olarak hata pusulasına danışarak, daha az hata yönünde 'yokuş aşağı' hareket eder ve sonunda en yakın vadinin altına yerleşir: mümkün olan en iyi çözüm.
Öyleyse neden her şey için geri yayını kullanmıyoruz? Backprop'un birkaç sorunu var..
En ciddi sorun 'kaybolan degrade sorunu' olarak adlandırılır. Temel olarak, hata verilerini ağda geri taşıdığınızda, bir katmana geri gittiğinizde daha az anlamlı hale gelir. Geri yayılım ile çok derin sinir ağları kurmaya çalışmak işe yaramıyor, çünkü hata bilgileri alt seviyeleri yararlı bir şekilde eğitmek için ağa yeterince derinlemesine nüfuz edemeyecek.
İkincisi, daha az ciddi bir problem ise sinir ağlarının yalnızca yerel optima'ya yaklaşmasıdır: genellikle küçük bir vadide yakalanırlar ve rastgele başlangıç noktalarına yakın olmayan daha iyi çözümleri özlerler. Peki bu sorunları nasıl çözeriz??
Derin İnanç Ağları
Derin inanç ağları, bu sorunların her ikisine de bir çözümdür ve problemin yapısına önceden bir bakış açısı olan ağlar kurma ve bu ağları geri yayılımla iyileştirme fikrine güvenirler. Bu, derin bir öğrenme şeklidir ve hem Google hem de Microsoft tarafından ortak kullanımda olandır..
Teknik basittir ve denilen bir tür şebekeye dayanır. “Sınırlı Boltzman Makinesi” veya “RBM”, Bu denetimsiz öğrenme olarak bilinen şeye dayanır..
Kısıtlanmış Boltzman Makineleri, kısaca, eğitim bilgilerine göre açıkça sınıflandırmayı denemek yerine, yalnızca verdikleri verileri sıkıştırmaya çalışan ağlardır. RBM'ler bir veri noktası koleksiyonu alır ve bu veri noktalarını bellekten yeniden üretme yeteneklerine göre eğitilir..
RBM'yi kodlamasını istediğiniz tüm verilerin toplamından daha küçük hale getirerek, RBM'yi daha az alanda saklamak için verilerle ilgili yapısal düzenlemeleri öğrenmeye zorlarsınız. Bu derin yapının öğrenilmesi ağın genellemesine izin verir: Binlerce kedi görüntüsünü çoğaltmak için bir RBM'yi eğitirseniz, içine yeni bir görüntü besleyebilirsiniz - ve ağın ne kadar enerjik olduğuna bakarak, bunu çözebilirsiniz. Yeni görüntünün kedi içerip içermediği.
RBM'lerin öğrenme kuralları, beyin içindeki gerçek nöronların işlevini, diğer algoritmaların (backpropagation gibi) yapılmadığı önemli şekillerde andırır. Sonuç olarak, araştırmacılara insan zihninin nasıl çalıştığı hakkında öğretecekleri şeyler olabilir. Düşünme Makineleri: Sinirbilim ve Yapay Zeka Bize Bilinç Hakkında Ne Öğretebilir? Düşünme Makineleri: Sinirbilimi ve Yapay Zeka Bize Bilinç Hakkında Ne Öğretebilir? bize bilincin çalışmalarını ve insan aklının doğasını öğretin? .
RBM'lerin bir başka temiz özelliği de “yapıcı”, bu, aynı zamanda geriye doğru çalışabilecekleri anlamına gelir; bu özelliği içeren hayali girdiler oluşturmak için üst düzey bir özellikten geriye doğru çalışırlar. Bu süreç denir “rüya görmek.”
Peki bu neden derin öğrenme için faydalıdır? Boltzman Makinelerinin ciddi ölçeklendirme sorunları var - onları daha derinleştirmeye çalışırsanız, ağı daha uzun sürebilir.
Derin inanç ağlarının ana fikri, her biri selefinin çıktısında yapı bulmak için eğitilmiş iki katmanlı RBM'leri bir araya getirebileceğinizdir. Bu hızlıdır ve verilerin karmaşık, soyut özelliklerini anlayabilen bir ağa yönlendirir.
Bir görüntü tanıma görevinde, ilk katman çizgileri ve köşeleri görmeyi öğrenebilir ve ikinci katman, gözler ve burunlar gibi özellikleri oluşturan bu çizgilerin kombinasyonlarını görmeyi öğrenebilir. Üçüncü katman bu özellikleri birleştirebilir ve bir yüzü tanımayı öğrenebilir. Bu ağı tekrar yaymaya devrederek, yalnızca ilgilendiğiniz kategorilerle ilgili olan özellikleri kullanabilirsiniz..
Birçok yönden, bu geri yayılım için basit bir düzeltmedir: geri yaylamayı sağlar “hile” çözmeye çalıştığı sorun hakkında bir sürü bilgi ile başlayarak. Bu, ağın daha iyi minimalara ulaşmasına yardımcı olur ve ağın en düşük seviyelerinin eğitilmesini ve faydalı bir şey yapmasını sağlar. Bu kadar.
Öte yandan, derin öğrenme yöntemleri, makine öğrenim hızı ve doğruluğunda çarpıcı gelişmeler sağladı ve son yıllarda konuşmaların metin yazılımına hızlı bir şekilde iyileştirilmesinden neredeyse tek elle sorumludur..
Canny Bilgisayarlar için Yarış
Tüm bunların neden faydalı olduğunu görebilirsiniz. Ağları ne kadar derin kurabilirseniz, ağın öğrenebileceği kavramlar o kadar büyük ve soyut olur..
Bir e-postanın spam olup olmadığını bilmek ister misiniz? Akıllı spam göndericiler için bu zor. E-postayı gerçekten okumak ve bunun arkasındaki amacın bir kısmını anlamak zorundasınız - gönderenle alıcı arasında bir ilişki olup olmadığını görmeye çalışın ve alıcının niyetlerini belirleyin. Bunların hepsini, bilgisayarın hakkında hiçbir şey bilmediği kavramları ve olayları tanımlayan, renksiz harf dizeleri temelinde yapmak zorundasınız..
Bu herkese sormak çok.
Spam'ı henüz konuşmadığınız bir dilde tanımlamayı öğrenmeniz istense, yalnızca bazı olumlu ve olumsuz örnekler verilmişse, çok kötü bir şekilde yapardınız - ve bir insan beyniniz var. Bir bilgisayar için, sorun çok yakın zamana kadar neredeyse imkansızdı. Bunlar derin öğrenmenin sahip olabileceği çeşitli içgörülerdir ve inanılmaz derecede güçlü olacak.
Şu anda, Microsoft bu yarışı saçlarından kazanıyor. Uzun vadede? Bu kimsenin tahmininde.
Resim Kredisi: “Bilgisayar AI“, Simon Liu tarafından, “Bullfrog“, Brunop tarafından, “Pusulanın Üstü“, airguy1988 tarafından, “Ücretsiz olandan daha özgür,” opensource.com tarafından