Анима Анандкумар, NVIDIA — о технологиях обучения ИИ, его адаптивности и проблемах

Искусственный ум равномерно просачивается во все сферы нашей жизни, но параллельно он продолжает оживленно развиваться. И невзирая на звучные успехи — победу ИИ над человеком в игре го, беспилотники и определение онкологии на снимках, почти все области до сего времени остаются только предметом исследовательских работ, который стают еще наиболее животрепещущими в критериях пандемии. «Хайтек» записал выступление Анимы Анандкумар, директора по исследованиям в области машинного обучения в NVIDIA, на онлайн-конференции Startup Village. <span class="wp-tooltip" title="Архетип женская часть души сплетенная с настроениями При всем этом одна из этих душ обращена вовне иная — внутрь Вероятны ситуации когда в психологической организации дамы доминирующей является мужская душа что выражается в ее поведала о том, как произошла революция в развитии глубинных нейросетей и какие перспективы их ждут.

<span class="wp-tooltip" title="Архетип женская часть души сплетенная с настроениями При всем этом одна из этих душ обращена вовне иная — внутрь Вероятны ситуации когда в психологической организации дамы доминирующей является мужская душа что выражается в ее Анандкумар — доктор в Калифорнийском технологическом институте и директор по исследованиям в области машинного обучения в NVIDIA. Ранее была основным научным сотрудником Amazon Web Services. Получила несколько наград, посреди которых — стипендия имени Альфреда П. Слоана, премия за карьеру NSF, заслуги юных исследователей от Министерства обороны и стипендии педагогов от Microsoft, Гугл и Adobe. Является членом экспертного совета Глобального экономического форума. Увлечена разработкой алгоритмов ИИ и их применением в междисциплинарных приложениях. Ее исследования сосредоточены на неконтролируемом искусственном уме, оптимизации и тензорных способах.

«Ситуация с коронавирусом указывает, что люди намного опережают ИИ»

Как началась революция искусственного ума? Уже несколько десятилетий возникают достойные внимания открытия в данной области. Для человека нет ничего обыденнее, чем распознавать изображения на дисплее. Но для ИИ это очень томная задачка, поэтому что он не рождается с уже данными возможностями к этому. Перед учеными стояла задачка «обучить» машинный обычно расположенный в головном отделе тела и представляющий собой компактное скопление нервных клеток и их отростков»>мозг (центральный отдел нервной системы животных, обычно расположенный в головном отделе тела и представляющий собой компактное скопление нервных клеток и их отростков) идентифицировать увиденное. В самом начале исследовательских работ один из профессоров Стэнфорда начал подписывать изображения, чтоб компу было легче их систематизировать. Конкретно маркированные рисунки стали началом революции глубинного нейронного обучения.

Выход на новейший уровень разработки ИИ начался с закладывания в программку млрд характеристик, которые дозволят ему выяснить определенный объект. Сложность задачки в том, чтоб глубинная нейросеть в критериях инвариантности распознала, к примеру, собаку независимо от различия поз, расцветки, породы и так дальше. Обучение (педагогический процесс, в результате которого учащиеся под руководством учителя овладевают знаниями, умениями и навыками) искусственного разума значит, что во время процессинга изображения в иерархическом порядке рассматривается целый ряд слоев кадра. Так, на базисном уровне видны только полосы под различными углами друг к другу. Позже они соединяются и составляют наиболее сложные формы, допустим, рожу собаки в цвете. Различимы уже форма, цвет и остальные отдельные свойства. Конкретно шаг, когда мы научились подразделять процесс на части, на уровни, стал не малым шагом вперед.

Для предстоящего развития необходимы не только лишь глубинные нейронные сети, да и большие вычислительные мощности. В протяжении крайних десятилетий мы лицезрели замедление роста способностей наших компов, когда больше не возрастает вдвое скорость однопоточных вычислений. Но при всем этом на данный момент мы можем параллельно создавать расчет больших по размеру и трудности операций. Современный уровень развития глубинных сетей привел к тому, что на данный момент в их могут происходить млрд действий сразу. И цель их только одна: найти, что все-таки изображено на фото. Эта процедура осуществляется при помощи матриксных мультипликационных действий и остальных технологий. И тут, естественно, всё зависит от мощности графических адаптеров.

К 2014 году глубинные нейросети смогли лучше людей распознавать изображения, а означает, сейчас они стали еще наиболее совершенными. Это вышло благодаря объединению 3-х причин: способностей маркированных данных, гибкости имеющихся алгоритмов глубинных нейросетей и больших способностей компов. Есть много красивых примеров того, какие высоты уже брал машинный обычно расположенный в головном отделе тела и представляющий из себя малогабаритное скопление служащий для передачи в мозг важной для организма информаци»>нервных (орган животного, служащий для передачи в обычно расположенный в головном отделе тела и представляющий собой компактное скопление нервных клеток и их отростков»>мозг важной для организма информаци) клеток и их отростков»>тела и представляющий собой компактное скопление нервных клеток и их отростков), к примеру, глубинное обучение (педагогический процесс, в результате которого учащиеся под руководством учителя овладевают знаниями, умениями и навыками) с подкреплением посодействовало ИИ одолеть человека в игре го. Этот игрок был одним из наилучших, но он проиграл. Не считая того, на данный момент искусственный ум способен генерировать фото людей так близкие к реальности, что эта разработка уже прошла тест Тьюринга. Человек уже не может осознать, какое изображение реально, а какое было сотворено машинкой. Это хорошие примеры фурроров ИИ, но, наверное, на этом прогресс не остановится.

Но есть целый ряд примеров, где ИИ не оправдал ожиданий. Допустим, ситуации, где главным нюансом является сохранность. Уже несколько десятилетий мы лицезреем усиление технологий, которые употребляются в автономных карах, но, к огорчению, их недостающее совершенство всё равно приводит к трагедиям. Также машинка не может поменять человека в том, что касается сотворения контента и его редактирования. И сегоднящая ситуация с коронавирусом указывает, что люди намного опережают ИИ.

Чем мы будем заниматься в дальнейшем, развивая искусственный ум и технологии глубинных нейросетей? На данный момент интенсивно развивается робототехника: к примеру, у одной компании есть бот, который умеет созодать сальто вспять. Но его недозволено даже сопоставить с собакой. Этот бот неудобный, повсевременно падает, но звериное, падая, обучается, как в последующий раз создать то либо другое движение, не упав. А бот на это не способен, он не обучен. тут возникает вопросец, может быть ли создать ИИ, который будет готов без помощи других учиться и решать задачи?

«Осознание алгоритмов находится за пределами наших способностей»

Метод искусственного ума — это совокупа заблаговременно заложенной инфы и весьма точного задания. Мы определяем, какие данные и за ранее данные характеристики должны употребляться, также как воплотить процесс принятия решений. Для сотворения и поддержания метода ИИ необходимы большие объемы данных. Это трудно, поэтому что данных становится всё больше и больше, к примеру, при распознавании видеопотока количество опознаваемых кадров весьма велико. Проблематично проводить маркирование, поэтому что люди присваивают наименования миллионам видеороликов, а означает, и объектам на дисплее.

Что касается заблаговременно закладываемых характеристик, то снова приходится сталкиваться с тем, что всё делается вручную. на данный момент просто одурачить ИИ. К примеру, если у нас есть символ «Стоп» и мы поместим на него несколько блоков, то искусственный ум уже не усвоит его значения. И кар, двигающийся без помощи водителя, уже не распознает этот символ как призыв тормознуть. Наш, человечий ум совсем иной. Быть может, мы сможем перенести образ нашего мышления в комп, но пока мы этого не смогли создать. Что касается указаний, приказов и инструкций, то приходится действовать весьма просто: мы даём одну задачку — распознать, что изображено на данной картинке. А что касается характеристик оценки фуррора или неэффективности работы метода, то тут мы весьма ограничены.

Мы время от времени не можем осознать, как успешен работающий метод, поэтому что это находится за пределами нашего осознания. Не считая того, есть несколько заморочек, связанных с тем, что данные, которые у нас есть, в главном касаются парней со светлой кожей. По данной причине ИИ некорректно описывает темнокожих дам. Имеются и остальные ошибки в распознавании лиц. неувязка возникает из-за того, что оценка эффективности искусственного ума очень ограничена. Не необходимо забывать о парадигме, которая говорит, что нам необходимы большие объемы данных, и они все должны быть маркированы. Заблаговременно заложенные характеристики должны быть понятны методу, а само задание обязано быть обычным и логичным.

Сначала необходимо достигнуть отсутствия необходимости маркировать данные. ИИ должен работать без помощи человека, чтоб комп сам находил концепты, сформировывал идеи, осознавал индивидуальности того либо другого изображения. Трудно ли это? Да, весьма, но ведь люди это делают, при этом с легкостью. Что касается заблаговременно закладываемых данных, тут необходимо создавать весьма точные образы, демонстрировать, что есть что из тех данных, которые мы «скармливаем» системе. И тут можно многому научиться у мозга (центральный отдел нервной системы животных и человека) человека. Ну и, в конце концов, задания, которые мы даём методу. ИИ должен быть наиболее адаптивным, поэтому что на данный момент мы всякий раз с нуля обучаем нашу систему, а необходимо создать так, чтоб она могла приспособиться и изменяться, делать различные задания. Так что на данный момент мы тренируемся, чтоб создать искусственный ум гибким.

Как осознать, что перед нами кошка?

Мы узнаем кошку, даже если это размытая картина, поэтому что наш обычно расположенный в головном отделе тела и представляющий из себя малогабаритное скопление тела и представляющий собой компактное скопление нервных клеток и их отростков) повсевременно пробует размытому изображению придать определенную резкость для предстоящего анализа. Есть много теорий, и одна из известнейших гласит, что мы не только лишь смотрим на некий объект, да и сразу мозг (центральный отдел нервной системы животных, обычно расположенный в головном отделе тела и представляющий собой компактное скопление нервных клеток и их отростков) подбирает варианты того, чем он быть может. Сиим же занимаются и глубинные нейронные сети. У нас есть априорные данные о том, как обязана смотреться кошка. И мы пытаемся сопоставлять эту картину с представлением о том, как смотрятся коты. Это принципиально осознавать при разработке, чтоб было всепостоянство идентификации изображений.

Как нам придти к стабильности в идентификации объектов искусственными сетями? Естественным образом это происходит из-за повторяемости. Мы берем какую-то внешнюю картину и смотрим на нее, а сигнал поступает в обычно расположенный в головном отделе тела и представляющий из себя малогабаритное скопление тела и представляющий собой компактное скопление нервных клеток и их отростков). Есть также и нисходящая оборотная связь. Используя информацию о том, как смотрится кошка, мозг (центральный отдел нервной системы животных, обычно расположенный в головном отделе тела и представляющий собой компактное скопление нервных клеток и их отростков) сформировывает определенное восприятие. Как создать так, чтоб эти сложнейшие процессы нашего мозга (центральный отдел нервной системы животных и человека) реализовывались ИИ? Нужно скооперировать неплохой классификатор для понятия «кошка», который будут «скармливать» нейронной сети, с хорошим генератором этих изображений. сразу будет происходить систематизация понятия и обучение (педагогический процесс, в результате которого учащиеся под руководством учителя овладевают знаниями, умениями и навыками) нейронной сети. Будет получена оборотная связь для обычных нейронных сетей. И эта связь даст возможность получать генеративную оборотную связь. Иными словами, при попытке обработать входящий сигнал человек пробует маркировать изображение. Тогда и возникает оборотная связь, когда мы пытаемся сгенерировать восприятие на базе того, что лицезреем. Эти два процесса должны быть взаимосвязаны.

Обычная нейросеть, как правило, не может распознать нечеткие рисунки, но наша модель благодаря механизму оборотной связи делает образы наиболее четкими и потом сумеет их распознать. Мы лицезреем, что таковая схема обосновала свою действенность, потому можем вдохновляться тем, как лицезреет человек, при разработке компьютерного зрения. На базе уже разработанных моделей можно создавать наиболее совершенные методы, которые будут различаться высочайшей производительностью. Но также нужна действенная инфраструктура, которая будет обрабатывать процессы ИИ в большенном масштабе. Мы работаем с методами не по отдельности. Вы берете какие-то данные и их необходимо визуализировать, что является весьма сложным действием. Потому нужен мощнейший <span class="wp-tooltip" title="центральное устройство (либо комплекс устройств) ЭВМ (Электронная вычислительная машина — комплекс технических средств, предназначенных для автоматической обработки информации в процессе решения вычислительных и информационных задач) (либо вычислительной системы) которое делает арифметические и логические операции данные программкой преобразования инфы управляет вычислительным действием и коор, способный обрабатывать впечатляющие объемы инфы. Не считая того, мы используем определенные фреймворки (CLARA) для различных приложений, в том числе и для медицины. На данный момент с учетом пандемии COVID-19 возникла Потребность в том, чтоб тренировать модели машинного обучения в огромных масштабах. Целью этого является разработка вакцин и фармацевтических средств от вируса. инструмент CLARA может работать с большими структурами и разными методами, являясь на самом деле координатором их работы.

Еще одна возможность обучения ИИ заключается в использовании не настоящих, а стимулированных данных. У нас есть ряд ботов, которые могут стать шеф-поварами на наших кухнях. Такие машинки способны открыть и закрыть ящик, взять некий предмет, что-то смешать либо взбить. Эти обыкновенные для человека операции весьма сложны для ботов, потому что научить их этому проблематично. Но при помощи действий моделирования мы сможем открывать несуществующие, запрограммированные ящики. И таковым образом бот обучается схожим операциям. Программки разрешают созодать это параллельно и в огромных масштабах, что дозволяет преодолеть ограничения, которые накладывают на нас данные. Но таковая система обучения значит, что необходимо создать весьма сложные методы, которые переведут машинку из мира симуляции в настоящий мир, открывая совсем новейшие, захватывающие перспективы работы с ИИ. Есть программка, которая дозволяет добавлять симуляцию к тем моделям, когда искусственный ум учится на настоящих данных. Это еще один пример того, что у нас есть отменная инфраструктура и мы можем работать с весьма сложными неуввязками. Возникла возможность создавать новейшие методы и модели, также тестировать их еще резвее, чем это делалось ранее.

Будущее ИИ обязано быть всеобъятным и отыскивать свое воплощение в различных сферах, чтоб у нас был высокоадаптивный, повсевременно обучающийся инструмент. Для этого на данный момент необходимо переосмыслить подходы к глубочайшему обучению. Самостоятельное обучение (педагогический процесс, в результате которого учащиеся под руководством учителя овладевают знаниями, умениями и навыками) является ключом к успеху, потому необходимо отыскивать методы встраивать программки неконтролируемого обучения в системы. И если гласить о сверточных нейросетях, система оборотной связи делает их наиболее устойчивым. А это 1-ый шаг к тому, чтоб сделать настоящую базу для ИИ новейшего поколения.

Читайте также:

Искатель сокровищ отыскал клад в Шотландии, которому 3000 лет

Метеорный поток Персеиды — 2020: где его узреть, куда глядеть и как создать фото

Поглядите на 3D-карту Вселенной: ее составляли 20 лет и она уже изумила ученых

Источник