P:
Jak głęboko uparte sieci odgrywają rolę w ewolucji AI?
ZA:Na pierwszy rzut oka głęboko uparte sieci po prostu „dodają funkcjonalność” do istniejącej konstrukcji technologicznej, generatywnej sieci przeciwników (GAN), ale w rzeczywistości niedawna ewolucja głęboko upartej sieci mówi nam fundamentalne rzeczy o tym, jak AI może ewoluować w kierunku znaczące modelowanie ludzkiego procesu decyzyjnego.
Głęboko uparta sieć polega na współdziałaniu w sieci GAN dwóch „bytów” AI: „generatora” i „dyskryminatora”. Generator „generuje” treść lub przykłady, dane testowe lub cokolwiek, jak je nazwiesz. Dyskryminator pobiera dane wejściowe i sortuje je lub podejmuje na ich podstawie decyzje. Te dwie części głęboko upartej sieci są niezależnymi bytami do celów badań nad AI, ale współpracują ze sobą.
Należy zauważyć, że dostępna literatura publiczna o głęboko upartych sieciach jest niewielka, wydaje się, że składa się z małego zestawu wspólnych opisów na najlepszych stronach rankingu w Google. Jeden z najbardziej autorytatywnych, w KDNuggets, powołuje się na zastosowanie „współczynnika Goodfellow”, którego nie można samodzielnie odkryć w wyszukiwarce Google. (Ian Goodfellow jest informatykiem, któremu przypisuje się niektóre z podstawowych idei stojących za głęboko upartymi sieciami).
Jednak idea głęboko upartej sieci jest wyjaśniona w KDNuggets i gdzie indziej: podstawową ideą jest to, że generator może „próbować oszukać” dyskryminatora i że dyskryminator może stać się „bardziej dyskryminujący”, dopóki nie stanie się niejako, czuje się w „zwątpieniu” i nie decyduje się na zwrócenie wyników. Następnie następuje ważny kolejny krok: program, poprzez interwencję człowieka lub algorytmy, jest „nakłaniany” do udzielenia odpowiedzi.
W tym modelu widzimy, że sztuczna inteligencja robi ogromny krok, od zwykłego modelowania danych lub analizowania zestawów szkoleniowych, do faktycznego podejmowania decyzji na wysokim szczeblu, o których uważamy, że należą do dziedziny ludzkiej. Oceniając zarówno wzorce „wyboru” dyskryminatora AI, jak i wzorce „wyboru” człowieka, fragment KDNuggets cytuje „Paradoks wyboru” zapoczątkowany przez Barry'ego Schwartza. Niektóre niezależne posty na blogu opisują, jak głęboko uparta sieć uwypukla w istocie ludzkie zachowania: J. Yakov Stern wyjaśnia obecne ograniczenia i możliwy postęp w długim przesiadce na IVR, a Alexia Jolicoeur-Martineau ujawnia niektóre z ostatnich wyników, jakie mogą przynieść GAN.
W pewnym sensie głównym wpływem głęboko upartych sieci na sztuczną inteligencję jest zmiana orientacji lub rozszerzenie badań wykraczających poza rodzaje podejmowania decyzji, które łatwo można zastosować w przedsiębiorstwie, oraz promowanie przełomowych badań w kierunku uczynienia komputerów jeszcze bardziej podobnymi do ludzi. Może istnieć dowolna liczba zastosowań tego pomysłu w przedsiębiorstwie, ale nie są one tak wycięte i wysuszone, jak, powiedzmy, obecne zastosowanie algorytmów uczenia maszynowego w silnikach rekomendacji konsumenckich lub wykorzystanie inteligentnych procesów ML w marketingu. Badania DSN wydają się sugerować, że możemy sprawić, by istoty AI były bardziej świadome, co niesie ze sobą spore ryzyko, a także nagrodę.
