12-13 сентября в Сеуле во второй раз собрались авторитетные эксперты в области искусственного интеллекта (англ. Artifical Intelligence или сокращённо AI), которые обсудили, каким образом прорывные технологии не только помогают создавать инновации для облегчения повседневной жизни, но и демонстрируют, как работает человеческий мозг.
Неконтролируемое обучение – в центре внимания
Форум начался с презентации основателя и директора Центра исследований данных Нью-Йоркского университета (New York University Center for Data Science) и одного из ведущих мировых экспертов в области глубинного обучения, Яна Лекуна (Yann LeCun).
Речь Лекуна положила начало захватывающим дискуссиям о неконтролируемом обучении, которые не прекращались в течение всей конференции. Учёный объяснил, почему он и многие его коллеги считают, что неконтролируемое обучение, также известное как самоконтролируемое обучение, – будущее AI. Он также углубился в потенциальные способы применения алгоритмов неконтролируемого обучения, рассказал об ограничениях, которые они имеют, и объяснил, чем они отличаются от алгоритмов контролируемого и подкреплённого обучения.
Как пояснил эксперт, контролируемые алгоритмы обучения учатся, используя маркированные наборы данных и готовые «правильные ответы», с помощью которых можно оценивать их точность. Это означает, что каждый пример в наборе учебных данных включает ответ, которого должен добиться алгоритм. При обучении с подкреплением алгоритм развивается при помощи системы вознаграждения, реагирующей на выполнение алгоритмом оптимального действия для данной ситуации. Чтобы сделать выбор, который предполагает наибольшую награду, алгоритм полагается на эту обратную связь, а не на маркированные наборы данных.
При неконтролируемом обучении алгоритму необходимо самостоятельно разобраться в немаркированном массиве данных – наборе примеров, для которых нет ни правильных ответов, ни желаемых результатов. Такие алгоритмы обучения могут быть более непредсказуемыми, однако они могут выполнять более сложные задачи по обработке данных.
В качестве примера потенциала неконтролируемого обучения Лекун привёл «тренировку» беспилотных автомобилей. «Многие люди, занимающиеся технологиями автономного вождения, надеются использовать подкреплённое обучение, чтобы заставить машины ездить самостоятельно, путём проб и ошибок, – пояснил он. – Проблема в том, что, из-за недостаточной эффективности обучения с подкреплением, ваша машина несколько тысяч раз съедет с обрыва, прежде чем поймёт, как этого избегать».
По словам учёного, в отличие от моделей обучения с подкреплением, полагающихся на метод проб и ошибок, модели неконтролируемого обучения могут быть способны «догадаться», что делать в подобной ситуации, – то есть продемонстрировать умственные способности, которые люди обычно называют «здравый смысл».
Эксперт поделился своим опытом разработки искусственных нейросетей – в частности, свёрточных нейросетей (ConvNets). Также он продемонстрировал, как этот тип сетей может использоваться для создания не только автономных автомобилей, но и широкого спектра инновационных устройств, включая технологии для анализа медицинских сигналов и изображений, биоинформатику, распознавание речи, перевод с одного языка на другой, восстановления изображений, робототехнику и физику.
За презентацией Лекуна последовала лекция другого ведущего специалиста в области глубокого обучения – профессора Монреальского университета Йошуа Бенджио (Yoshua Bengio). Доклад проф. Бенджио касался, прежде всего, стохастического градиентного спуска (stochastic gradient descent, SGD), метода оптимизации AI, используемого для минимизации ошибок, совершённых другими нейронными сетями.
Как пояснил Бенджио, «SGD – это “рабочая лошадка” глубокого обучения. Эта техника оптимизации повсеместно используется для контролируемого, подкреплённого и неконтролируемого обучения. Она с нами уже много десятилетий и невероятно эффективна, но мы до сих пор не полностью её понимаем».
Презентация Бенджио позволила участникам конференции лучше понять метод стохастического градиентного спуска, в частности, то, как варианты SGD могут повлиять на оптимизацию и обобщение нейронной сети. Бенджио отметил, как традиционное видение машинного обучения считает оптимизацию и обобщение отдельными процессами, но это ошибочно. Он также представил подробные результаты исследований влияния техник обучения, основанных на SGD, на оба аспекта проектирования сети.
Может ли неконтролируемое обучение раскрыть тайны человеческого мозга?
Себастьян Сэнг (Sebastian Seung), исполнительный вице-президент научно-исследовательского подразделения Samsung Electronics и главный научный сотрудник корпорации, выступил с особенно яркой презентацией, в которой изложил, почему неконтролируемое обучение будет играть ключевую роль в разработке AI, способного мыслить как человек.
Сэнг отметил, что свёрточные нейросети, о которых подробно в своём выступлении рассказал Ян Лекун, основаны на знаниях из области нейробиологии. Он также рассказал о том, как исследования в области искусственных и биологических нейросетей, привели его к изучению способов применения AI для исследования устройства человеческого мозга.
Сэнг подчеркнул, что мозг основан на модели проектирования неконтролируемых обучающихся сетей, и обратил внимание на недавнее исследование, в котором участвовала его команда. Учёные применяли AI обозначения на схеме более 100.000 нейронов, содержащихся в одном кубическом миллиметре зрительной зоны коры головного мозга мыши.
Алгоритм самоконтролируемого обучения, который использовали учёные, позволил им не только создать трёхмерную модель нейронной сети, но и пометить различными цветами отдельные клетки и их компоненты. «В этом и состоит волшебство глубокого обучения, – сказал Сэнг. – Если бы человеку пришлось раскрашивать эту схему, на это ушло бы около 100 лет работы – и это без перерывов на кофе или сон!»
Жизнь в окружении «социальных роботов» – уже через 10-20 лет
Речь Синтии Брэазель (Cynthia Breazeal), основательницы и руководителя исследовательских работ компании Jibo, а также директора-учредителя Группы персональной робототехники в Массачусетском технологическом институте, сместила акцент на применение AI в продвинутой робототехнике.
В презентации Брэазель под названием «Жизнь и процветание с социальными роботами» обсуждались подходы, необходимые для разработки автономных систем, использующих AI для повышения качества жизни людей. Как пояснила Брэазель, автономные, социально и эмоционально интеллектуальные роботы, оснащённые так называемым «реляционным AI», обладают широким спектром интересных преимуществ.
«Мне очень радостно думать о том, что уже в следующие 10-20 лет эти роботы станут частью нашей повседневной жизни», – рассказала она.
В своей увлекательной презентации Брэазель упомянула несколько способов применения социальных роботов для помощи детям и пожилым людям. Учёная рассказала об исследованиях, в ходе которых роботов-компаньонов предоставляли пациентам в детских больницах, детям дошкольного возраста и пенсионерам.
На видео, снятых во время эксперимента, детей в больнице успокаивало наличие «друга» рядом; роботы также способствовали более эффективной учёбе. Как объяснила Брэазель, «Речь идёт об ином видении искусственного интеллекта. Сейчас основное внимание уделяется инструментам для профессионалов, и мало кто всерьёз задумывается о том, как AI сможет помочь всем людям». Исследования, добавила эксперт, демонстрируют, что «применение таких технологий в реальном мире выглядит очень многообещающе, они могут иметь большое значение».
В этом году форум также включал множество презентаций, которые представили разносторонний взгляд на нынешнее состояние развития искусственного интеллекта. В их числе – доклады на такие темы как достижения в области подкреплённого обучения, взаимную нейронную оценку информации, социально и эмоционально интеллектуальные системы, роботы-личные ассистенты, а также использование машинного обучения в индивидуализированной медицине. Эти разработки демонстрируют большие успехи в создании будущего, связанного с AI.
Samsung AI Forum Offers a Roadmap for the Future of AI
It wasn’t that long ago that the idea of building technologies with ‘brains’ that learn and are even structured just like ours seemed like science fiction.
Just ask the distinguished speakers at the “Samsung AI Forum 2018”. Held in Seoul from September 12th to 13th, the second edition of Samsung Electronics’ artificial intelligence (AI) forum featured accomplished AI experts, who discussed how groundbreaking advancements are not only helping to create technology that will make our lives more comfortable, convenient and efficient. They’re also teaching us more about how our own minds work.
Unsupervised Learning Takes Center Stage
The forum began with a presentation from the founding director of the New York University Center for Data Science, and one of the world’s leading minds in the field of deep learning, Yann LeCun.
LeCun’s speech set the stage for the exciting discussions on unsupervised learning that would follow over the course of the two-day event. LeCun explained why he and many of his peers believe that unsupervised learning, also known as self-supervised learning, represents the future of AI. He also delved into unsupervised learning algorithms’ potential applications (and limitations), and explained how they differ from supervised and reinforcement learning algorithms.
As LeCun explained, supervised learning algorithms learn utilizing labeled datasets and answer keys that allow them to evaluate their accuracy. This essentially means that each example in the training dataset includes the answer that the algorithm should produce. With reinforcement learning, an algorithm is trained using a reward system that offers feedback when it performs an optimal action for a given situation. It relies on this feedback, rather than labeled datasets, to make the choice that offers the greatest reward.
With unsupervised learning, the algorithm is tasked with making sense of an unlabeled dataset—a set of examples that doesn’t have a correct answer or desired outcome—on its own. While these algorithms can be more unpredictable than their counterparts, they can also perform more complex processing tasks.
LeCun used training self-driving cars as a key example of unsupervised learning’s potential. “A lot of people who are working on autonomous driving are hoping to use reinforcement learning to get cars to learn to drive by themselves by trial and error,” said LeCun. “The problem with this is that, because of [reinforcement learning’s inherent inefficiencies], you’d have to get a car to drive off a cliff several thousand times before it figures out how not to do that.”
LeCun explained how, unlike reinforcement learning models, which rely on trial and error, unsupervised learning models could potentially be capable of guessing what to do in a situation like this—demonstrating mental capabilities similar to what we’d call common sense.
He also discussed his experience developing artificial neural networks—specifically convolutional neural networks (ConvNets)—and demonstrated how they can be used to build not only self-driving cars but a wide variety of innovative devices, including technologies for medical signal and image analysis, bioinformatics, speech recognition, language translation, image restoration, robotics and physics.
LeCun’s presentation was followed by a lecture from another leading light in the field of deep learning: University of Montreal professor Yoshua Bengio. Professor Bengio’s lecture focused specifically on stochastic gradient descent (SGD)—an AI optimization method that’s used to minimize errors made by artificial neural networks.
As Bengio explained, “[SGD] is really the workhorse of deep learning. This is the optimization technique that is used everywhere for supervised learning, reinforcement learning and self-supervised learning. It’s been with us for many decades and it works incredibly well, but we don’t completely understand it yet.”
Bengio’s presentation allowed attendees to gain a better understanding of SGD, with specific focus on how SGD variants can affect neural network optimization and generalization. Bengio discussed how the traditional view of machine learning sees optimization and generalization as neatly separated, but that’s not actually the case. He also presented detailed research findings on the effects of SGD-based learning techniques on both aspects of network design.
Could Unsupervised Learning Unlock the Secrets of the Brain?
Sebastian Seung, Executive Vice President of Samsung Research and Chief Research Scientist of Samsung Electronics, delivered a particularly illuminating presentation that outlined why unsupervised learning will be essential for developing AI with human-level mental capabilities.
Seung described how the convolutional neural networks that LeCun had examined in detail are in fact based on insights gained through the study of neuroscience. He also discussed how his research in both artificial and biological neural networks led him to study ways to apply AI to gain a better understanding of how our brains are wired.
Seung stressed that the model for designing unsupervised learning networks lies in the cortex of the brain, and highlighted a recent study that his team was involved in that used AI to map out all of the neurons contained in a one cubic millimeter of a mouse’s visual cortex—more than 100,000 in total.
The unsupervised learning algorithm that the researchers utilized allowed them to not only create a 3D reconstruction of the neural network’s wiring, but also made it possible to label and color in individual cells and their components. “That’s the magic of deep learning,” said Seung. “If a human had to color all that in, it would take about 100 years of work. And that’s with no coffee breaks or sleeping.”
Living with Social Robots in ‘10 to 20 Years’
The speech delivered by Cynthia Breazeal, the founder and Chief Scientist of Jibo, Inc., and the founding director of the Personal Robotics Group at MIT’s (the Massachusetts Institute of Technology’s) Media Lab, shifted focus to applying AI to develop advanced robotics.
Breazeal’s speech, entitled “Living and Flourishing with Social Robots,” discussed approaches needed to develop autonomous systems that utilize AI to enhance our quality of life. As Breazeal explained, autonomous, socially and emotionally intelligent technologies—robots with what’s known as ‘relational AI’—present a wide range of exciting benefits.
“I’m really excited to think about the next 10 to 20 years—of having these robots actually become a part of our daily lives,” said Breazeal.
The fascinating presentation highlighted helpful companion technologies in particular, and included specific examples of ways that robots could be used to assist children and older adults. Breazeal noted studies in which AI robotic companions were given to patients at a children’s hospital, as well as kindergarten-age students and senior citizens.
Videos of the studies showed how the children in the hospital drew comfort from having a peer-like companion by their side, and demonstrated how robots can be used to boost learning. As Breazeal explained, “This is about a different vision for AI. There’s so much emphasis right now on tools for professionals, and there’s not a lot of deep thinking around how AI is going to benefit everyone.” The studies, Breazeal added, “show that there’s a lot of promise with these technologies in the real world… making a real difference.”
This year’s forum also included a diverse array of speeches that offered an all-encompassing look at the state of artificial intelligence development today. These included presentations on topics covering advancements in reinforcement learning, mutual information neural estimation, socially and emotionally intelligent AI, personal assistant robots, and precision medicine via machine learning. The developments discussed at the Samsung AI Forum 2018 represent great strides toward creating an AI-connected future.
Комментариев нет:
Отправить комментарий