Новый прорывной метод сделать ИИ подобным людям
Возможность рассуждать и выбирать — это не только то, что делает человека подобным Богу, но и то, что кардинально отличает человека от ИИ.
Ведь как работает современный ИИ на основе глубокого обучения?
Умеющему учиться (например, переводу) на основе обрабатываемых им данных алгоритму (он же — ИИ), дают на вход миллионы примеров, скажем, использования слова bank и для каждого из них фиксируют, что это слово означает в конкретном контексте («банк», «берег» и т.д.) Обучающийся алгоритм просто обрабатывает огромное количество данных. Никто не указывает, какие правила он должен использовать. Алгоритм должен сам найти контекстные ассоциации, позволяющие предсказывать конкретное значение слова для каждого из переводимых текстов. И чем больше данных загружается, тем точнее его предсказания, а значит и перевод.
Такой подход профессор MIT и Чикагского универа Муллайнатан называет «индуктивным научным методом» (от слова «индукция»). Взамен проверки конкретной гипотезы о значимости определенного фактора проверяются все возможные факторы (подробней см. здесь).
Однако, такой метод эффективен далеко не всегда.
Когда самообучающийся алгоритм сам определяет все факторы, наибольшим образом влияющие на интересующий нас результат, — он может быть эффективным лишь, если получаемые результаты трактуются НЕ как причинно-следственные связи между исследуемыми факторами, а как некоторую из интерпретаций причинно-следственных связей.
При невыполнении этого условия легко впасть в заблуждение, а то и хуже, — в мистику и шаманство.
И тут мы сталкиваемся с одной из самых фундаментальных проблем в науке
— нахождение и расшифровка причинно-следственных связей в больших массивах данных.
Современные подходы к выявлению причинно-следственных связей при машинном обучении основаны на тестах линейной и нелинейной регрессии и корреляции.
Эти подходы, мягко говоря, плохо справляются с иерархически структурированными данными и индуктивным выводом.
Из этого следуют 2 страшно неприятных результата, не позволяющих ИИ хоть как-то приблизиться к подобию людей. Современный ИИ не способен, подобно людям:
- рассуждать (выносить суждения на основе выявленных путем индуктивного метода причинно-следственных связей).
- решать новые проблемы на основе опыта решения иного рода проблем (иными словами, ИИ должен запускаться с нуля каждый раз для каждой новой проблемы).
Новый прорывной метод, если не устранения, то эффективного обхода названных выше двух принципиальных ограничений современного ИИ предложен в работе с несильно понятным для непрофессионала названием «Казуальная деконволюция алгоритмических генеративных моделей». Замена «казуальной деконволюции» на «причинную обратную свертку» мало кому поможет понять, о чем речь.
Посему попытаюсь сказать, если не проще, то хоть конкретней.
Авторы придумали объединить:
- технику анализа возмущений, предложенную Джуда Пёрлом в его структурной модели причинности (подробней см. здесь),
- и аппарат алгоритмической вероятности, предложенный в рамках Алгоритмической теории информации Колмогоровым и Соломоновым (подробней см. здесь).
Свою идею авторы опробовали на сверточных нейронных сетях — одном из наиболее многообещающих подходов к классификации изображений в машинном обучении, в котором набор примитивных признаков извлекается из распределения изображений.
В результате им удалось построить алгоритмическую объяснительную генеративную модель, основанную на более глубоком понимании причинного механизма, чем это возможно посредством нелинейной регрессии.
________________________________
Если вам понравился этот пост — не забудьте:
- нажать “палец вверх”;
- подписаться на обновления канала на платформе Яндекс Дзен;
- оставить комментарий.
Еще больше материалов на моем Телеграм канале «Малоизвестное интересное». Подпишитесь