Русский военный корабль, иди нах*й.
Пожертвувати на армію
×
Упс!
Не вдала спроба:(
Будь ласка, спробуйте ще раз.

Як зробити машинне навчання більш ефективним. Колонка CEO AI HOUSE Богдана Пономара

Богдан Пономар
Богдан Пономар
7 лютого 2022 4 хвилин читання

На написання цієї статті мене надихнув виступ на TED TALK керівника Google.AI  Джеффа Діна на тему головних недоліків машинного навчання. Ознайомитися із виступом «AI isn't that smart — but it could be» можна за посиланням

За останні десять років штучний інтелект навчився допомагати комп'ютерам розуміти та розпізнавати мову. А ось щодо комп'ютерного зору, то десять років тому комп'ютери не могли бачити, тепер — можуть.

Сьогодні ми можемо набагато точніше передбачати повені, гарантувати безпеку людей за допомогою машинного навчання, перекладати більше сотні мов та діагностувати хвороби.

Та, попри усі ці неймовірні успіхи, ми досі припускаємося трьох серйозних помилок у машинному навчанні. 

Перша проблема: більшість нейронних мереж сьогодні тренують для виконання тільки одного завдання

Тренувати нейронну мережу з нуля це як навмисно забувати усю свою освіту щоразу, як ви намагаєтеся навчитися чогось нового. Це, м'яко кажучи, незручно та й нереально.

Люди постійно здобувають нові знання. І нам не потрібно щоразу вчити все з нуля, щоб освоїти наступну навичку. Комп'ютери теж могли би працювати таким чином.

Ми можемо і повинні навчати такі моделі, які можуть виконувати мільйони різних завдань. Кожна частина цієї моделі спеціалізуватиметься на різних типах завдань. Ви тільки уявіть собі нейромережу, яка може одночасно розпізнавати людську мову, перекладати текст на сотню інших, генерувати за запитом будь-які тексти, а також картинки або відео.

Друга проблема: більшість моделей сьогодні працюють тільки з однією модальністю даних (зображення, текст або мова), але не з усіма одразу

Люди постійно використовують усі органи чуття, щоб учитися, реагувати, зрозуміти, як діяти в умовах середовища власного існування. Ми можемо будувати моделі так само.

Ці моделі можуть приймати вхідні дані різного типу: текст, зображення, мова. А потім ми їх об'єднуємо разом й отримуємо модель, яка, незалежно від того, чи бачить вона слово «капібара», чи дивиться відео з капібарою або ж чує, як хтось вимовляє слово «капібара», видає одну й ту саму реакцію: концепцію капібари.

Третя проблема: сьогоднішні моделі є «щільними»

Це означає, що у нас є, наприклад, одна конкретна модель, активована для кожного завдання, яке ми хочемо вирішити. І неважливо, наскільки це завдання просте або складне.

Це теж не схоже на те, як працює людський мозок.

Різні частини нашого мозку хороші для різних завдань, і ми постійно звертаємося до тих його частин, які потрібні для вирішення конкретного завдання.

Моделі ШІ можуть працювати так само. У процесі навчання модель може дізнатися, які саме частини добре справляються з тими або іншими завданнями, щоб постійно визначати, до яких частин їй слід звертатися для виконання нового завдання. Перевага цього полягає в тому, що ми можемо мати дуже продуктивну і вкрай ефективну модель.

Виправлення цих трьох речей приведе до створення потужнішої системи штучного інтелекту: замість тисяч окремих моделей краще тренувати декілька моделей загального призначення, які можуть виконувати тисячі або навіть мільйони завдань.

Перехід від одноцільових систем до інтелектуальних систем загального призначення надасть людству можливість:

  • діагностувати більшу кількість хвороб;
  • розробляти ефективніші ліки завдяки використанню  у цих моделях знань з хімії та фізики;
  • удосконалювати системи освіти, надаючи більш індивідуалізоване навчання;
  • вирішувати дійсно складні проблеми, такі як зміна клімату, і, можливо, розробляти рішення у галузі зеленої енергетики. 
Коментарі
Інші матеріали

100 компаній, які розвивають штучний інтелект в Україні

Юлія Даниленко 30 травня 2024 19:00

Штучний інтелект допоміг МВС затримати 200 членів незаконних збройних формувань

Наталія Миронова 26 квітня 2022 10:57

$94 млн залучив стартап, який бореться з обходом росією санкцій

Дарина Куденко 19 квітня 2022 17:24

Ринок військового AI сягне майже $14 млрд у 2028 році

Тетяна Новак 14 квітня 2022 14:36

Засновник Roosh Сергій Токарєв про революцію у програмуванні та медицині, а також етичні проблеми з ШІ

Роман Судольський 22 лютого 2022 17:45