Обычно системы компьютерного зрения обучаются распознавать определенные вещи, например кошку или собаку. Они достигают этого, анализируя большую коллекцию изображений, по параметрам которые были аннотированы пользователями. После этого ИИ приступал к идентификации их на новых изображениях, например, обнаруживая собаку на изображении, которого он никогда раньше не видел.
Этот процесс эффективен, однако его необходимо проводить каждый раз заново, добавляя все новые и новые вводные, которые ИИ должен идентифицировать, иначе производительность стремительно падает.
Facebook впервые использовал метод, который представляет собой обучение с самоконтролем, при котором изображения не сопровождаются аннотациями. Вместо этого ИИ сначала учится просто определять различия между изображениями. Как только он сможет это сделать, он увидит небольшое количество аннотированных изображений, чтобы сопоставить имена с уже определенными характеристиками.
«Цель заключалась в том, чтобы увидеть, можно ли заставить системы с самоконтролем работать лучше, чем системы с обучением в прописанным сценариях», - говорит Арман Жулин из Facebook AI Research.
Обучение ИИ заняло около месяца с использованием 500 специализированных чипов, называемых графическими процессорами. На сегодняшний день он достиг точности 84,2% при идентификации содержимого 13 000 изображений, которые он никогда никогда прежде не анализировал из новой базы данных изображений ImageNet, которая часто используется для классификации эффективности инструментов компьютерного зрения.
Жулен говорит, что обучение с самоконтролем- это принципиально новый шаг к пониманию «здравого смысла» со стороны ИИ. «Он должен понимать что угодно в предоставляемом изображении», - говорит он.
«Я бы с долей скепсиса отнесся к утверждению, что само по себе самостоятельное обучение может привести нас к машинам, обладающим здравым смыслом», - говорит Никита Аггарвал из Оксфордского института Интернета, Великобритания. «Есть разница между разработкой систем искусственного интеллекта, которые могут определять корреляции в данных для классификации изображений, и системами, которые действительно могут понимать смысл и контекст того, что они делают, или действительно рассуждать об этом».
Жулен говорит, что сама система еще не достаточно протестирована, чтобы понять ее пользу и вред, но «это то, что мы хотим исследовать в будущем». Он также работает над расширением базы данных сверх 1 миллиарда изображений, чтобы еще больше расширить понимание ИИ. «Здесь мы только прикоснулись к поверхности», - говорит он.
Искусственный интеллект (ИИ) быстро переходит из области научной фантастики в повседневную жизнь. Современные устройства распознают человеческую речь, способны отвечать на вопросы и выполнять машинный перевод. Очевидно, что в будущем ИИ готов стать по-настоящему универсальной технологией, такой как электричество.
В своей книге Мартин Форд — футуролог, эксперт в области искусственного интеллекта, консультант по расчетам индекса робототехники, предприниматель из кремниевой долины а также член совета директоров и инвесторов компании Genesis Systems расскажет о том, что такое ИИ, и осветит связанные с ним возможности и риски.
Человек может представить, как он переживет новый для себя опыт. Например, если вы никогда не попадали в автомобильную аварию, вы все равно сможете прокрутить у себя в голове такую ситуацию и принять правильное решение. Обучение с учителем помогает компьютеру находить статистические закономерности, которые заранее классифицированы людьми. Многие исследования пока не дали значимых результатов. Компьютер не может автономно приобретать знания о мире, воздействовать на него и наблюдать результат воздействия.
Когда в массмедиа говорят об ИИ, зачастую авторы не понимают, что это такое, имея в виду машинное обучение или даже глубокое обучение. Эта тема очеловечена из-за терминов «интеллект» и «обучение», которые ассоциируются с людьми. Однако в процессе обучения, чтобы опознавать кофейные чашки, система как бы говорит себе: «Данная совокупность пикселов, которая на этой фотографии представляет кофейную чашку, такая же, как на других изображениях, помеченных как кофейные чашки». При этом она не имеет ни малейшего представления о том, что такое кофейная чашка.
Одна из стандартных методик машинного обучения — это обучение с учителем. Системе ИИ дается набор примеров какого-то понятия, снабженных описаниями и метками. Представьте фотографию с подписью, которая указывает, что это изображение лодки, далматинца или чашки с вишнями. Цель обучения состоит в поиске параметра или гипотезы, которые позволят классифицировать изображения в целом. Так мы пытаемся научить ИИ предсказывать, как могут выглядеть другие изображения тех же объектов.
Мы понятия не имеем, что такое сознание. Более того, я считаю, что в итоге вопрос наличия сознания окажется непринципиальным. Еще в XVII в., когда люди поняли, что на сетчатке глаза формируется перевернутое изображение, они были озадачены тем, что мы видим все неперевернутым. Когда поняли, как именно обрабатывается картинка, оказалось, что на самом деле не имеет значения, в каком порядке идут пикселы. Здесь то же самое. Я считаю сознание субъективным опытом, который появляется как побочный продукт интеллекта.
Дело не в том, что ИИ возненавидит нас за то, что мы поработили его, и не в том, что у него внезапно возникнет искра сознания, которая заставит его взбунтоваться. Просто этот интеллект, скорее всего, будет компетентно преследовать собственные, не совпадающие с нашими, цели. И мы окажемся в будущем, сформированном в соответствии с чужими критериями. Соответственно, чтобы решить проблему контроля или выравнивания, нужно найти способы проектировать системы ИИ, как продолжения человеческой воли. Чтобы поведение этих систем формировалось человеческими намерениями, а не какими-то случайными результатами внутри самих систем.
Материал предоставил М.В. Лебедев
https://www.newscientist.com/article/2270102-facebook-ai-learned-object-recognition-from-1-billion-instagram-pics/#ixzz6oSYUzDPu