Comments 12
то каким образом вы узнаете, как она принимает решения?мы уже несколько тысяч лет пытаемся понять как люди принимают решения, а некоторые даже сами не могут понять почему так сделали.
Машинные системы не умеют объяснять свой ход решения определенной задачи.Человек тоже многое не может объяснить как сделал, а иногда он заблуждается объясняя ход своих решений. Например «Ты почему не пошел к врачу, времени не было»
назовут Васькой, а не «Мегалорт бессмертный»В группе моего сына, в садике самые простые имена Василина и Кирилл, а есть Амарант и Малипина.
А если серьезно, что есть человеческий разум, по сути обученная на примерах система. Очень уязвимая ко всяким обманам. Основное наше преимущество пока в встроенном генераторе энергии и возможности саморепликации.
На самом деле, то что мы называем человеческим интеллектом и искусственным отличается сильно в том смысле, что люди способны абстрактно мыслить, и создавать новое, порождать новые смыслы. И, кстати, о детях. Меня очень впечатлило, когда ребенок осознал понятия вроде сейчас, потом, много, нравится и тому подобное, которые для продукта машинного обучения на данный момент абсолютно недоступны. Текущий ии — инженерное приложение.
Второе — думать, что сектор ИИ «вышел на плато» ошибочно, если не понять, как это будет развиваться дальше. А развиваться дальше оно будет не вверх, а вширь, а именно — либо объединение двух различных ИИ, обученных разным штукам для того, чтобы получить универсала сразу в двух отраслях, либо сразу создание универсального ИИ в смежных отраслях, когда ИИ, например, будет не только разбираться в котиках, но и в фотографиях остальных домашних животных.
Машинное обучения — это не программирование, а аппроксимация некоторой функции. То есть, это просто ещё один подход к моделированию систем (статических или динамических). И, несмотря на то, что НС — идеальный аппроксиматор (ИА), существуют ещё и другие ИА, например fuzzy системы, которые пережили взлет и падение и теперь применяются там, где наиболее подходит. То, что происходит с НС — очень похоже и, скорее всего, конкретно этот инструмент найдёт свою нишу и будет жить в рамках нее (обработка изображений, распознавание речи и прочие обработки данных очень большой размерности и аппроксимация сложных неизвестных функций).
П.С. НС — достаточно хороший инструмент, но то как их обычно применяют (end-to-end) — боль.
П.П.С. я знаю о работах по снижению размерности (математически), но они не учитывают наличие знаний об объекте моделирования (да и тут вопрос не сколько в НС, сколько в том, что (точнее сколько от объекта) принять за "черный ящик".
В качестве примера: значительное увеличение качества распознавания сигналов (НС) при добавлении частотной и кепстральной области для анализа.
Но не верите мне, прочитайте, что сказал по этому поводу руководитель ИИ Теслы
dev.by/news/programmnoe-obespechenie-2-0
«Программисты 2.0» из статьи — обезъянки за компьютером, которых принято называть «Оператор ПК», никакого отношения к разработке и реализации алгоритмов деятельность по обработке датасета не имеет.
Просто программирует, но иначе.
«Автоматический» поиск алгоритма в корне ничем не отличается от аппроксимации динамической системы, коей он по сути и является.
Разумеется любой подход имеет право на жизнь, но приведу простой пример: нужно построить модель маятника (физического, предположим на столе стоит оригинал). Есть два пути: первый построить модель на основе законов физики и динамики, второй сделать гору экспериментов и обучить НС. Замечу, что в обоих случаях будет присутствовать этап оценки (в первом случае подстройки) параметров, однако спеиалист по НС не может называться «физиком» просто потому, что он понятия не имеет как и почему маятник движется именно по таким законам.
И да, использование моделей машинного обучения (в том числе НС), как части модели — на мой взгляд вполне оправданный шаг в силу того, что Всегда в модели физического объекта есть некоторые нелинейности, которые невозможно(или сложно) описать математически или сложно выполнить оптимизацию аналитическим путем. Я категорически не понимаю желание (подход то я понимаю) строить модели машинного обучения, которые аппроксимируют давно известные аналитически функции, а не только неизвестные/сложные «части» системы.
И последнее: тратить время «программиста 2.0» на обработку датасета — очень дорогое удовольствие, ибо объем теоретических знаний для полноценного знания методов машинного обучения подразумевает зарпату несколько исключающую возможность использвоания такого работника в низкоквалифицированном труде.
На самом деле вполне просматривается цепочка развития: безусловный (врождённый) рефлекс, условный рефлекс (самообучение), разумные эпизоды (есть у всех млекопитающих и по крайней мере у многих птиц) и потом уже разум. Очевиднейшим образом ИИ соответствует на этой линейке условному рефлексу, не более (самообучение в конкретной предметной области). Так что даже до землеройки ещё неблизкий путь и все завывания про разумные машины слегка преждевременны.
Другая сторона вопроса, впрочем, тоже есть: и на этом, достигнутом, уровне ИИ коренным образом перевернёт всю жизнь человеков.
ИИ в 2019 году: текущее положение вещей