Искусственный Интеллект — понятие крайне размытое. А всё потому, что первое применение этого термина было зафиксировано в далёком 1955 году. Тогда эта технология исследовалась 10 специалистами в Дартмутском колледже в Ганновере, штат Нью Гэмпшир.
Главной задачей исследования было доказать, что любые аспекты обучения и факторы, присущие нашему интеллекту, могут быть настолько точно описаны, что даже машина поймёт их и сможет использовать для моделирования. Тогда же предпринималась попытка научить машину использовать язык, формировать образы и концепции, а также решать людские проблемы и заниматься самообучением.
Искусственный Интеллект существует более полувека и за это время успел набрать слишком много лишнего «багажа». Довольно долгое время в сфере Искусственного Интеллекта доминировали системы, которые обладали «нулевым обучением». В 1980-х годах появился новый вид Искусственного Интеллекта, который в современном варианте известен нам, как машинное обучение. Наконец-то сфера обзавелась хоть чем-то, что напоминает обучение. Но настоящая революция произошла сразу после открытия глубокого обучения.
То, что мы описали выше, не может в полной мере раскрыть всю историю Искусственного Интеллекта. В истории этой технологии было множество различных разветвлений, каждое из которых отличалось кардинально иным подходом. Педро Доминго в своей книге «Верховный алгоритм» рассказывает о 5 различных представлениях Искусственного Интеллекта.
Каждый, кто хочет добиться высот в сфере Искусственного Интеллекта, обязан понимать, что существуют различные подходы к реализации этой технологии. Эта технология настоящее поприще для войн «подходов».
Итак, разберём основные типы людей,
создающих Интеллектуальные системы:
- Символисты — люди, которые использовали символические системы, позволяющие делать выводы. Огромное количество разработок были основаны на таком подходе. Символисты использовали языки программирования Lisp и Prolog, а также SemanticWeb, RDF и OWL. Ленат Дуглас, в своё время, пытался описать логическими правилами всё, что существует в этом мире. Но такой подход был безнадежён, а главное — уязвим.
- Эволюционисты — специалисты, применяющие эволюционные процессы для того, чтобы случайным образом создать интеллектуальную систему. Этот подход известен, как генетические алгоритмы. Методы генетических алгоритмов используются для замены градиентного спуска при глубоком обучении. Эволюционисты изучают клеточные автоматы, такие как игра «Жизнь» и комплексные адаптивные системы.
- Байесианцы — люди, использующие правила вероятностей и их взаимности, чтобы сделать тот или иной вывод. PGMs — вероятностные графовые модели являются обобщением этого подхода, а основной вычислительный механизм здесь — метод Monte-Carlo, подходящий для выборочных распределений. Этот подход имеет некоторое сходство с символьным подходом, которое заключается в объяснении результатов. Однако у этого подхода есть одно преимущество, которое позволяет описывать некоторую неопределённость в результатах. Edward — библиотека, смешивающая данный подход с глубоким обучением.
- Ядро консерваторов — одним из наиболее успешных методов до того, как появилось глубокое обучение, был метод опорных векторов. Ян Лекун считает этот метод распиаренным сопоставлением шаблонов. Существует так называемый «трюк ядра», который позволяет превратить нелинейную задачу деления в линейную. Те, кто использует этот метод, находятся в восторге от его точности. Они уверены, что на его фоне методы глубокого обучения выглядят как колдовство.
- Обниматели деревьев — приверженцы этого подхода применяют древовидные модели, которые являются деревом логических правил, рекурсивно разрезающих домен для создания классификатора. Этот подход достаточно долго применяли в Kaggle. Компания Microsoft сумела объединить древовидные модели с глубоким обучением.
- Коннекционисты — люди, считающие что признаки интеллекта являются результатом деятельности простых организмов.
Более мелкие племена в машинном
обучении:
- Канадские заговорщики — Хинтон, Лекун и Бенгио. Придерживаются сквозного глубокого обучения без ручного создания функций.
- Швейцарские землевладельцы — в основном это LSTM-сети, но за создание этого метода ответственны две сотрудничающие RNN-сети. Если сказать, что вы что-то создали до них, то можно быть готовым к уничтожению.
- Британские АльфаГоисты — люди, считающие, что Искусственный Интеллект состоит из глубокого обучения и обучения с подкреплением. Но Лекун считает, что это лишь небольшая часть технологии.
- Прогнозисты — Ян Лекун использует этот термин для описания неконтролируемого обучения.
Также к этим племенам можно отнести:
- Компрессионисты — эти ребята считают, что обучение это компрессия. Теория информации берёт свое начало из аргумента о компрессии. По сути, эта концепция является универсальной и может использоваться вместо часто используемых инструментов агрегированной статистики.
- Сложные теоретики — используют методы, которые основаны на физике, теории сложности, теории хаоса и статистической механики. Возможно, что именно эти ребята смогут придумать объяснение работы глубоко обучения.
- Нечёткие логики — этот довольно популярный подход, который утерял свою актуальность в последнее время. Совсем недавно был обнародован материал, который продемонстрировал создание и применение размытых правил, позволивших победить настоящего пилота истребителя на настоящем эмуляторе.
- Вдохновлённые природой — эти специалисты создают модели, приближенные к нейронам в биологии. Отличными примерами такого Искусственного Интеллекта являются компании Numenta и Spike-and-Integrate.
- Коннектомисты — люди, которые считают, что мозг это место, откуда происходит интеллект. Сейчас у них существует проект по созданию виртуального червя.
- Теоретики информационной интеграции — они утверждают, что сознание является результатом внутренних мыслительных процессов в машинах, которые отражают причинно-следственную связь в реальности. Эта группа людей аргументирует тем, что для понимания сознания требуется начать думать о нём.
- Теоретики PAC — люди, которые не желают обсуждать современные технологии и предпочитают посвящать своё время изучению обычного интеллекта. Их основной аргумент заключается в том, что обычный интеллект не позволяет производить массивные вычисления.
Резюме
Существуют тысячи компаний, утверждающие, что они создают Искусственный Интеллект. Но какой подход используется ими? Неизвестно. Мы уверены, что глубокое обучение является самым перспективным подходом. В противном случае вам придётся прописывать все правила, как это сделал Дуглас Ленат. Наилучшие результаты глубокое обучение показывает вместе с другими алгоритмами. Такой способ применения мы могли видеть в системе AlphaGo.
Это перевод интересной заметки The Many Tribes of Artificial Intelligence, которая была опубликована в блоге Medium Карлоса Переса примерно год назад.