Vad är maskininlärning?

Vad är maskininlärning?

I december 2017 introducerade DeepMind, forskningslaboratoriet som Google förvärvade 2014, AlphaZero, ett program för artificiell intelligens som kan besegra världsmästare vid flera brädspel.

Intressant nog fick AlphaZero noll instruktioner från människor om hur man spelar spelen (därav namnet). Istället använde den maskininlärning, en gren av AI som utvecklar sitt beteende genom erfarenhet istället för uttryckliga kommandon.

Inom 24 timmar uppnådde AlphaZero övermänskliga prestationer i schack och besegrade det tidigare schackprogrammet. Kort därefter behärskade AlphaZeros maskininlärningsalgoritm också Shogi (japanskt schack) och det kinesiska brädspelet Go, och det besegrade sin föregångare, AlphaGo, 100 till noll.

Maskininlärning har blivit populärt de senaste åren och hjälper datorer att lösa problem som man tidigare har ansett vara den exklusiva domänen för mänsklig intelligens. Och även om det fortfarande är långt ifrån den ursprungliga visionen om artificiell intelligens, har maskininlärning fått oss mycket närmare det ultimata målet att skapa tänkande maskiner.

Vad är skillnaden mellan artificiell intelligens och maskininlärning?

Traditionella metoder för att utveckla artificiell intelligens innebär att man noggrant kodar alla regler och kunskaper som definierar en AI-agents beteende. När regelbaserad AI skapas måste utvecklare skriva instruktioner som anger hur AI ska uppträda som svar på alla möjliga situationer. Denna regelbaserade strategi, även känd som god gammaldags AI (GOFAI) eller symbolisk AI, försöker efterlikna det mänskliga sinnets resonemang och kunskapsrepresentationsfunktioner.

Ett perfekt exempel på symbolisk AI är Stockfish, en topprankad schackmotor med öppen källkod i mer än 10 år. Hundratals programmerare och schackspelare har bidragit till Stockfish och hjälpt till att utveckla sin logik genom att kodera dess regler Рtill exempel vad AI ska göra när motståndaren flyttar sin riddare från B1 till C3.

om en utvecklare skapar program och interaktion på traditionellt sätt. De gör det genom att vara basskick

Men regelbaserad AI bryter ofta när man hanterar situationer där reglerna är för komplexa och implicita. Att känna igen tal och objekt i bilder är till exempel avancerade operationer som inte kan uttryckas i logiska regler.

Till skillnad fr√•n symbolisk AI utvecklas maskininl√§rnings-AI-modeller inte genom att skriva regler utan genom att samla exempel. Till exempel, f√∂r att skapa en maskininl√§rningsbaserad schackmotor skapar en utvecklare en basalgoritm och “tr√§nar” den sedan med data fr√•n tusentals tidigare spelade schackspel. Genom att analysera data hittar AI vanliga m√∂nster som definierar vinnande strategier, som den kan anv√§nda f√∂r att besegra riktiga motst√•ndare.

Ju fler spel AI granskar, desto bättre blir det att förutsäga vinnande drag under spel. Det är därför maskininlärning definieras som ett program vars prestanda förbättras med erfarenhet.

Maskininlärning är tillämpligt på många verkliga uppgifter, inklusive bildklassificering, röstigenkänning, innehållsrekommendation, upptäckt av bedrägerier och bearbetning av naturligt språk.

√Ėvervakad och √∂vervakad inl√§rning

Beroende p√• vilket problem de vill l√∂sa f√∂rbereder utvecklare relevant data f√∂r att bygga sin maskininl√§rningsmodell. Till exempel, om de ville anv√§nda maskininl√§rning f√∂r att uppt√§cka bedr√§gliga banktransaktioner, skulle utvecklare sammanst√§lla en lista √∂ver befintliga transaktioner och m√§rka dem med deras resultat (falska eller giltiga). N√§r de matar in data till algoritmen, separerar den bedr√§gliga och giltiga transaktioner och hittar de gemensamma egenskaperna inom var och en av de tv√• klasserna. Processen med att tr√§na modeller med antecknade data kallas “√∂vervakat l√§rande” och √§r f√∂r n√§rvarande den dominerande formen f√∂r maskininl√§rning.

Många onlineförråd med märkt data för olika uppgifter finns redan. Några populära exempel är ImageNet, en öppen källkodsdataset med mer än 14 miljoner märkta bilder, och MNIST, en dataset med 60 000 märkta handskrivna siffror. Maskininlärningsutvecklare använder också plattformar som Amazons Mechanical Turk, en online-on-demand-anställningsnav för att utföra kognitiva uppgifter som märkning av bilder och ljudprover. Och en växande sektor av nystartade företag är specialiserade på dataanmärkningar.

Artificiell intelligens AI och maskininlärning ML

Men inte alla problem kr√§ver m√§rkta data. Vissa maskininl√§rningsproblem kan l√∂sas genom “icke √∂vervakat l√§rande”, d√§r du ger AI-modellen r√•data och l√•ter den sj√§lv ta reda p√• vilka m√∂nster som √§r relevanta.

En vanlig användning av inlärning utan tillsyn är detektion av avvikelser. Till exempel kan en maskininlärningsalgoritm träna på råa nätverkstrafikdata för en internetansluten enhet Рsäg ett smart kylskåp. Efter träning fastställer AI en baslinje för enheten och kan flagga avvikande beteende. Om enheten blir infekterad med skadlig kod och börjar kommunicera med skadliga servrar kommer maskininlärningsmodellen att kunna upptäcka den, eftersom nätverkstrafiken skiljer sig från det normala beteendet som observerats under träningen.

Förstärkning lärande

Nu vet du förmodligen att kvalitetsutbildningsdata spelar en stor roll för effektiviteten hos maskininlärningsmodeller. Men förstärkningslärande är en specialiserad typ av maskininlärning där AI utvecklar sitt beteende utan att använda tidigare data.

Förstärkningsinlärningsmodeller börjar med en ren skiffer. De får endast instruktioner om sin miljö grundläggande regler och uppgiften. Genom försök och fel lär de sig att optimera sina handlingar för sina mål.

DeepMinds AlphaZero är ett intressant exempel på förstärkningslärande. I motsats till andra maskininlärningsmodeller, som måste se hur människor spelar schack och lär sig av dem, började AlphaZero bara känna bitarnas rörelser och spelets vinstvillkor. Därefter spelade den miljontals matcher mot sig själv, började med slumpmässiga åtgärder och utvecklade gradvis beteendemönster.

Förstärkningslärande är ett hett forskningsområde. Det är den viktigaste tekniken som används för att utveckla AI-modeller som kan bemästra komplexa spel som Dota 2 och StarCraft 2 och används också för att lösa verkliga problem som att hantera datacenterresurser och skapa robothänder som kan hantera objekt med mänsklig skicklighet .

Djup lärning

Deep learning är en annan populär delmängd av maskininlärning. Den använder konstgjorda neurala nätverk, mjukvarukonstruktioner som grovt inspireras av den biologiska strukturen i den mänskliga hjärnan.

Neurala nätverk utmärker sig vid bearbetning av ostrukturerad data som bilder, video, ljud och långa utdrag av text som artiklar och forskningspapper. Innan djupinlärning var maskininlärningsexperter tvungna att lägga mycket ansträngningar på att extrahera funktioner från bilder och videor och skulle köra sina algoritmer utöver det. Neurala nätverk upptäcker automatiskt dessa funktioner utan att kräva stora ansträngningar från mänskliga ingenjörer.

Djupinlärning ligger bakom många moderna AI-tekniker som förarlösa bilar, avancerade översättningssystem och teknik för ansiktsigenkänning i din iPhone X.

Gränserna för maskininlärning

Människor förväxlar ofta maskininlärning med artificiell intelligens på mänsklig nivå, och marknadsföringsavdelningarna i vissa företag använder medvetet termerna omväxlande. Men medan maskininlärning har tagit stora framsteg mot att lösa komplexa problem, är det fortfarande mycket långt ifrån att skapa de tänkande maskiner som planeras av AI: s pionjärer.

Förutom att lära av erfarenhet kräver sann intelligens resonemang, sunt förnuft och abstrakt tänkande Рområden där maskininlärningsmodeller fungerar mycket dåligt.

Till exempel, medan maskininlärning är bra på komplicerade mönsterigenkänningsuppgifter som att förutsäga bröstcancer fem år i förväg, kämpar det med enklare logik- och resonemangsuppgifter som att lösa matematiska problem i gymnasiet.

Maskininlärningens bristande resonemangskraft gör det dåligt att generalisera sin kunskap. Till exempel kommer en maskininlärningsagent som kan spela Super Mario 3 som ett proffs inte dominera ett annat plattformsspel, som Mega Man eller till och med en annan version av Super Mario. Det måste tränas från grunden.

Utan kraften att utvinna konceptuell kunskap från erfarenheten kräver maskininlärningsmodeller massor av träningsdata för att utföra. Tyvärr saknar många domäner tillräcklig utbildningsinformation eller har inte medel för att skaffa mer. Djupt lärande, som nu är den vanliga formen för maskininlärning, lider också av ett förklaringsproblem: Neurala nätverk fungerar på komplicerade sätt och till och med deras skapare kämpar för att följa sina beslutsprocesser. Detta gör det svårt att använda kraften i neurala nätverk i inställningar där det finns ett lagligt krav på att förklara AI-beslut.

Lyckligtvis g√∂rs anstr√§ngningar f√∂r att √∂vervinna maskininl√§rningens gr√§nser. Ett anm√§rkningsv√§rt exempel √§r ett omfattande initiativ fr√•n DARPA, Department of Defense’s research arm, f√∂r att skapa f√∂rklarbara AI-modeller.

Andra projekt syftar till att minska maskininlärningens alltför stora beroende av kommenterade data och göra tekniken tillgänglig för domäner med begränsad utbildningsdata. Forskare vid IBM och MIT gjorde nyligen inbrott i fältet genom att kombinera symbolisk AI med neurala nätverk. Hybrid AI-modeller kräver mindre data för träning och kan ge stegvisa förklaringar av sina beslut.

Huruvida utvecklingen av maskininlärning så småningom kommer att hjälpa oss att nå det ständigt svårfångade målet att skapa AI på mänsklig nivå återstår att se. Men vad vi säkert vet är att tack vare framstegen inom maskininlärning blir enheterna som sitter på våra skrivbord och vilar i våra fickor smartare varje dag.