Les bases de l’IUNE moderne: comment ça marche et va-t-il détruire la société cette année?

Vous n'avez pas besoin d'être Keir Dullea pour savoir que l'intelligence artificielle peut être intimidante.Agrandir / Il n’est pas nécessaire d’être Keir Dullea pour le savoir complètement saisir l’intelligence artificielle peut être intimidant.George Rinhart / Corbis via Getty Images

L’intelligence artificielle ou intelligence artificielle est énorme en ce moment. “Insoluble” les problèmes sont résolus, des milliards de dollars sont investis, et Microsoft a même engagé Common pour vous dire à quel point son intelligence artificielle est avec la poésie parlée. Beurk.

Comme avec toute nouvelle technologie, il peut être difficile de couper à travers les engouement. J’ai passé des années à faire de la recherche en robotique et en UAV et “AI”, même si j’ai eu du mal à suivre. Au cours des dernières années, j’ai passé beaucoup de temps à apprendre à répondre même à une partie de la la plupart des questions fondamentales telles que:

  • De quoi parle-t-on quand on parle d’IA?
  • Quelle est la différence entre l’IA, l’apprentissage automatique et le apprentissage?
  • Quel est l’intérêt de l’apprentissage en profondeur?
  • Quels types de problèmes jadis difficiles sont maintenant faciles à résoudre, et qu’est-ce qui est encore difficile?

    Je sais que je ne suis pas le seul à me demander ces choses. Donc si vous avez été demandé ce que l’excitation de l’IA est tout au plus niveau de base, il est temps pour un petit coup d’oeil derrière le rideau. Si vous êtes un expert de l’IA qui lit les articles du NIPS pour le plaisir, il n’y aura pas beaucoup de nouveau pour vous ici – mais nous attendons tous avec impatience votre clarifications et corrections dans les commentaires.

    Qu’est-ce que l’IA?

    Il y a une vieille blague en informatique qui va comme ceci: Quelle est la différence entre l’IA et l’automatisation? l’automatisation est ce que nous pouvons faire avec les ordinateurs et l’IA est ce que nous souhaitons nous pourrions faire. Dès que nous trouvons comment faire quelque chose, ça s’arrête être AI et commence à être automatisation.

    Cette blague existe parce que, même aujourd’hui, l’IA n’est pas bien l’intelligence artificielle n’est tout simplement pas un terme technique. Si vous deviez le rechercher sur Wikipedia, AI est “l’intelligence démontré par des machines, contrairement à l’intelligence naturelle affichés par les humains et autres animaux. “C’est à peu près aussi vague que Tu peux recevoir.

    En règle générale, il existe deux types d’IA: l’IA forte et l’IA faible. Une IA forte est ce à quoi la plupart des gens pensent peut-être lorsqu’ils entendent IA – une intelligence omnisciente dieu comme Skynet ou Hal 9000 c’est capable de raisonnement général et d’intelligence humaine tout en dépassant les capacités humaines.

    Les IA faibles sont des algorithmes hautement spécialisés conçus pour répondre des questions spécifiques et utiles dans des domaines problématiques étroitement définis. Avraiment bon programme de jeu d’échecs, par exemple, correspond à cette catégorie. Il en va de même pour les logiciels très précis dans l’ajustement les primes d’assurance. Ces configurations d’IA sont impressionnantes à leur manière mais très limité dans l’ensemble.

    Lectures complémentaires

    DeepMind AI n’a besoin que de 4 heures d’auto-entraînement pour devenir un joueur d’échecs suzerain

    Hollywood mis à part, nous n’avons aujourd’hui aucune idée de la forte intelligence artificielle. À l’heure actuelle, toute l’IA est une IA faible, et la plupart des chercheurs dans le domaine convenons que les techniques que nous avons mises au point pour vraiment Les IA faibles ne vont probablement pas nous amener à l’IA forte.

    Donc, l’IA représente actuellement plus d’un terme de marketing qu’un un technique. La raison pour laquelle les entreprises vantent leurs “IA” opposé à «automatisation» est parce qu’ils veulent invoquer l’image de les IA d’Hollywood dans l’esprit du public.Mais … ce n’est pas Totalement faux. Si nous sommes aimables, les entreprises peuvent simplement être en essayant de dire que, même si nous sommes loin d’avoir une IA forte, le Les IA faibles d’aujourd’hui sont considérablement plus capables que ceux de seulement il y a quelques années.

    Hormis les instincts de marketing, c’est vrai. Dans certains domaines, en fait, il y a eu un changement radical de capacité dans machines, et cela en grande partie à cause des deux autres mots à la mode que vous entendre beaucoup: apprentissage machine et apprentissage en profondeur.

    A still from a short video Facebook engineers posted that a démontré la reconnaissance en temps réel des images de chat par lAgrandir / Un extrait d’une courte vidéo Les ingénieurs de Facebook ont ​​posté que demonstrated real-time AI recognition of cat pictures (aka the holygraal pour Internet) .Facebook

    Apprentissage machine

    L’apprentissage machine est un moyen particulier de créer une machine intelligence. Disons que vous vouliez lancer une fusée et prédire où il va aller. Ceci est, dans le grand schéma des choses, pas que difficile: la gravité est assez bien comprise et vous pouvez écrire le équations et travailler où il va aller en fonction de quelques variables comme la vitesse et la position de départ.

    Mais cela devient difficile lorsque vous regardez quelque chose où les règles ne sont pas aussi claires et bien connues. Dis que tu veux un ordinateur regarder des images et vous voulez savoir si l’un d’entre eux montre une image d’un chat. Comment écrivez-vous des règles pour décrire quoi chaque combinaison possible de moustaches et oreilles de chat ressemble à de tous les angles possibles?

    Lectures complémentaires

    “OK Facebook” – Pourquoi s’arrêter chez des assistants? Facebook a plus grand ambitions pour l’IA moderne

    L’apprentissage automatique est maintenant bien connu: au lieu de en essayant d’écrire les règles, vous construisez un système qui peut comprendre son propre ensemble de règles intériorisées après avoir montré beaucoup de exemples. Au lieu d’essayer de décrire les chats, il vous suffirait de montrer votre AI beaucoup d’images de chats et laissez-le comprendre ce qui est et n’est pas un chat.

    C’est parfait pour notre monde actuel. Un système qui apprend sa les règles propres des données peuvent être améliorées par davantage de données. Et si il y a une chose pour laquelle nous avons vraiment bien réussi en tant qu’espèce, c’est générer, stocker et gérer beaucoup de données. Veux être meilleur à reconnaître les chats? Internet génère des millions de exemples que nous parlons.

    Le flot croissant de données est l’une des raisons pour lesquelles la machine les algorithmes d’apprentissage ont explosé. L’autre partie à faire avec comment utiliser les données.

    Avec l’apprentissage automatique, outre les données, il y en a deux autres: questions connexes:

    • Comment puis-je me souvenir de ce que j’ai appris? Sur un ordinateur, comment puis-je stocker et représenter les relations et les règles que j’ai extraites les données d’exemple?
    • Comment puis-je apprendre? Comment modifier la représentation J’ai enregistré en réponse à de nouveaux exemples et je vais mieux?

      En d’autres termes, quelle est la chose qui fait réellement la apprendre de toutes ces données?

      Dans l’apprentissage automatique, la représentation informatique de la apprendre que vous stockez s’appelle le modèle.Le genre de modèle que vous utilisez a des effets énormes: il détermine comment votre apprend, quel type de données il peut apprendre, et quel type de des questions que vous pouvez lui poser.

      Voyons un exemple très simple pour comprendre ce que je veux dire. Disons que nous achetons des figues à l’épicerie et que nous voulons faire une machine à apprendre l’IA qui nous dit quand ils sont mûrs. Cette devrait être assez facile, car avec les figues, c’est le plus doux ils sont, le plus doux ils sont.

      Nous pourrions choisir des échantillons de fruits mûrs et non mûrs, voir comment ils sont gentils, puis mettez-les sur un graphique et ajustez une ligne. Cette la ligne est notre modèle.

      Notre bébé AI, en forme de ligne. “Plus c’est doux, plus c’est doux …” Haomiao Huang

      Les choses se compliquent rapidement lorsque vous ajoutez des données supplémentaires, bien que. Haomiao Huang

    Regarde ça! La ligne capture implicitement l’idée de «la plus c’est doux, plus c’est doux »sans que nous ayons à l’écrire vers le bas. Notre bébé AI ne sait rien de la teneur en sucre ni de la fruits mûrissent, mais il peut prédire à quel point un fruit sera sucré en le serrant.

    Comment formons-nous notre modèle pour l’améliorer? Nous pouvons en collecter plus d’échantillons et faire une autre ligne en forme pour obtenir plus précis prédictions (comme nous l’avons fait dans la deuxième image ci-dessus).

    Les problèmes deviennent immédiatement évidents. Nous avons formé notre figue AI sur les figues d’épicerie sympa jusqu’ici, mais que se passe-t-il si nous vidons dans un verger de figues? Tout à coup, non seulement il y a des fruits mûrs, il y a aussi des fruits pourris. Ils sont super doux, mais ils sont certainement pas bon à manger.

    Qu’est-ce qu’on fait? Eh bien, c’est un modèle d’apprentissage automatique, nous pouvons donc juste nourrir de nouvelles données, non?

    Comme le montre la première image ci-dessous, dans ce cas, nous aurions un résultat complètement absurde. Une ligne n’est tout simplement pas un bon moyen de capturez ce qui se passe lorsque les fruits deviennent trop mûrs. Notre modèle n’est plus correspond à la structure sous-jacente des données.

    Au lieu de cela, nous devons faire un changement et utiliser un meilleur, plus complexe modèle — peut-être une parabole ou quelque chose de similaire est un bon ajustement. Cette tweak rend la formation plus compliquée, parce que ces courbes nécessitent des calculs plus compliqués que l’ajustement d’un ligne.

    OK, peut-être qu’une ligne n’était pas une si bonne idée pour l’IA complexe … Haomiao Huang

    Des calculs plus compliqués sont maintenant nécessaires. Haomiao Huang

C’est un exemple assez stupide, mais il vous montre comment le genre de Le modèle que vous choisissez détermine l’apprentissage que vous pouvez faire. Aux figues, le les données sont simples, alors vos modèles peuvent être simples. Mais si vous essayez pour apprendre quelque chose de plus complexe, vous avez besoin de modèles plus complexes. Juste comme aucune quantité de données laisserait le modèle de ligne ajustement capturer comment fruits pourris se comporte, il n’ya aucun moyen de faire une courbe simple qui correspond à une pile d’images et obtenir un algorithme de vision par ordinateur.

Le défi de l’apprentissage automatique consiste donc à créer et � choisir les bons modèles pour les bons problèmes. Nous avons besoin d’un modèle qui est assez sophistiqué pour capturer vraiment compliqué relations et structure mais assez simple pour que nous travaillions avec elle et le former. Donc, même si Internet, les smartphones, etc. avons mis à disposition d’énormes quantités de données pour nous entraîner, nous toujours besoin des bons modèles pour tirer parti de ces données.

Et c’est précisément là que l’apprentissage en profondeur entre en jeu.

Like this post? Please share to your friends:
Leave a Reply

;-) :| :x :twisted: :smile: :shock: :sad: :roll: :razz: :oops: :o :mrgreen: :lol: :idea: :grin: :evil: :cry: :cool: :arrow: :???: :?: :!: