AI zināšanu karte: kā klasificēt AI tehnoloģijas

Jaunās AI tehnoloģiju ainavas skice

Šī raksta īsāka versija pirmo reizi parādījās vietnē Forbes

Raksts ir arī apbalvots ar KDnuggets sudraba nozīmīti kā vienu no visvairāk lasītajām un kopīgotajām 2018. gada augustā.

I. Ievada domas

Es kādu laiku atrados mākslīgā intelekta telpā, un es apzinos, ka pastāv vairākas klasifikācijas, atšķirības, ainavas un infografikas, kas attēlo un izseko dažādus veidus, kā domāt par AI. Tomēr es neesmu liels šo kategorizācijas vingrinājumu fanu, galvenokārt tāpēc, ka man ir tendence domāt, ka centieni klasificēt dinamiskos datu punktus iepriekš noteiktās labošanas kastēs bieži vien nav tā ieguvuma vērti, ja ir tik “skaidrs” ietvars (tas ir vispārinājums protams, izraisīt dažreiz tie ir ārkārtīgi noderīgi).

Runājot īpaši par mākslīgo intelektu, es arī domāju, ka daudzas no tur esošajām kategorijām ir vai nu nepilnīgas, vai arī nespēj uztvert šī jaunā AI viļņa spēcīgās pamata saites un aspektus.

Tāpēc ļaujiet man vispirms jums pateikt šī amata pamatojumu. Sadarbībā ar stratēģisko inovāciju aģentūru Chôra mēs vēlējāmies radīt vizuālu rīku, lai cilvēki varētu īsumā aptvert šīs rīku kopas sarežģītību un dziļumu, kā arī izveidot karti, kas varētu palīdzēt cilvēkiem orientēties AI džungļos. Jums jāaplūko šī diagramma kā veids, kā sakārtot nestrukturētas zināšanas sava veida ontoloģijā, lai galīgais mērķis nebūtu precīzi attēlot visu esošo informāciju par AI, bet drīzāk būtu rīks, kas aprakstītu un piekļūtu daļai no šīs informācijas kopas.

Pēc tam seko centieni izveidot arhitektūru, lai piekļūtu zināšanām par AI, un sekot topošajai dinamikai - vārteja uz jau esošām zināšanām par tēmu, kas ļaus jums meklēt papildu informāciju un galu galā radīt jaunas zināšanas par AI.

Tāpēc nobeiguma darba lietderībai vajadzētu palīdzēt sasniegt trīs lietas: izprast notiekošo un izveidot karti, kurā sekot; izpratne par to, kur mūsdienās tiek izmantota mašīnu izlūkošana (attiecībā uz to, kur agrāk netika izmantots); izpratne par to, kas un cik daudz problēmu tiek pārformulēts, lai AI varētu tās risināt (ja esat iepazinies ar Agrawal et al. 2018. gada darbu, tās ir tiešas prognozes tehnoloģiju izmaksu krituma sekas).

Šis raksts principā ir paredzēts gan cilvēkiem, kuri sāk AI, lai sniegtu viņiem plašu izpratni par to, kas tur ir, gan ekspertiem un praktiķiem, kuri kādu laiku eksperimentē ar šīm tehnoloģijām (ar skaidru lūgumu sūtīt man atsauksmes par to, kā jūs to strukturētu vai citas tehnoloģijas, kuras jāiekļauj AI spektrā).

Es arī ļoti labi apzinos, ka tas ir vērienīgs uzdevums, tāpēc vienkārši uzlūkojiet to kā pirmo projektu vai mēģinājumu to izdarīt, nevis kā galīgu iespraustu akmenī risinājumu.

Ļaujiet man arī noslēgt šo ievadu ar kaut ko, ko es uzzināju, mēģinot sasniegt mērķi radīt šo vizuālo: tas ir ļoti, ļoti grūti. Mēģinājums pēc iespējas vairāk informācijas attēlot divdimensiju nepārprotamā kartē ir bijis ārkārtīgi izaicinošs - kaut ko tādu jūs neuztverat, kamēr nemēģināt to izdarīt pats. Es aicinu jūs visus rīkoties tāpat, lai saprastu, ko es domāju (ticiet man, tas nemaz nav viegli, jo īpaši ņemot vērā viedokļu, viedokļu un pieeju atšķirības, kas AI lietotas pēdējos 60 gados). Tas noved pie pēdējās atrunas: dažreiz man bija jātuvina jēdzieni vai pati klasifikācija, lai saglabātu kompromisu starp precizitāti un skaidrību, tāpēc jau iepriekš man piedodiet par nelielu (vai nozīmīgu, kāda acīs redzamam) cilvēku nepatiesu apgalvojumu.

Tagad pāriesim uz AI zināšanu karti (AIKM).

II. Problēmas joma + pieeja = tehnoloģijas risinājums

Tātad, šeit mēs ejam, tas arī viss. Jūs, iespējams, gaidījāt, ņemot vērā dīvaino VR motoru, kas katrai tehnoloģijai projicēs vairāku lukturu paketes, bet tā vietā tas ir vecmodīgs divdimensiju grafiks. Tik vienkārši.

Apskatīsim to nedaudz tuvāk.

Uz asīm jūs atradīsit divas makro grupas, t.i., AI paradigmas un AI problēmu domēnus. AI paradigmas (X ass) patiešām ir pieejas, kuras AI pētnieki izmanto, lai risinātu īpašas ar AI saistītas problēmas (tajā ir iekļautas pieejas, kuras mūsdienās apzinās). Otrkārt, AI problēmu domēni (Y ass) vēsturiski ir problēmas, kuras AI var atrisināt. Zināmā nozīmē tas norāda arī uz AI tehnoloģijas potenciālajām iespējām.

Tāpēc es esmu identificējis šādas AI paradigmas:

  • Uz loģiku balstīti rīki: rīki, kas tiek izmantoti zināšanu attēlošanai un problēmu risināšanai;
  • Uz zināšanām balstīti rīki: rīki, kuru pamatā ir ontoloģijas un milzīgas jēdzienu, informācijas un noteikumu datu bāzes;
  • Varbūtības metodes: rīki, kas aģentiem ļauj rīkoties nepilnīgas informācijas scenārijos;
  • Mašīnmācība: rīki, kas ļauj datoriem mācīties no datiem;
  • Iemiesots intelekts: inženierijas instrumentu komplekts, kas pieņem, ka augstākam intelektam ir nepieciešams ķermenis (vai vismaz daļējs funkciju kopums, piemēram, kustība, uztvere, mijiedarbība un vizualizācija);
  • Meklēšana un optimizācija: rīki, kas ļauj saprātīgi meklēt, izmantojot daudzus iespējamos risinājumus.

Šīs sešas paradigmas ietilpst arī trīs dažādās makro pieejās, proti, simboliskajā, apakšimboliskajā un statistiskajā (ko attēlo dažādas krāsas). Īsumā, simboliskajā pieejā teikts, ka cilvēka inteliģenci var reducēt līdz manipulācijām ar simboliem; sub-simbolisko, ka iepriekš nav jāsniedz nekādas īpašas zināšanu reprezentācijas, savukārt statistikas pieeja ir balstīta uz matemātiskiem rīkiem, lai risinātu īpašas apakšproblēmas.

Ātra papildu piezīme: jūs varētu dzirdēt cilvēkus runājam par “AI ciltis” - Pedro Domingos (2015) ierosināto koncepciju, kas grupē pētniekus grupās, balstoties uz pieejām, ko viņi izmanto problēmu risināšanai. Jūs varat viegli kartēt šīs piecas ciltis ar mūsu paradigmu klasifikāciju (neapsverot iemiesoto inteliģences grupu), t.i., simbolisti ar loģiku balstītu pieeju (viņi izmanto loģisku spriešanu, kas balstīta uz abstraktiem simboliem); Sakari ar mašīnmācīšanos (viņus iedvesmo zīdītāju smadzenes); Evolūcijas dalībnieki ar meklēšanu un optimizāciju (viņus iedvesmo Darvinijas evolūcija); Baijieši ar varbūtības metodēm (viņi izmanto varbūtības modelēšanu); un visbeidzot, analogi, izmantojot uz zināšanām balstītas metodes, jo viņi mēģina ekstrapolēt esošās zināšanas un iepriekšējos līdzīgos gadījumus.

Tā vietā vertikālā ass nosaka problēmas, kuras AI ir izmantotas, un šeit klasifikācija ir diezgan standarta:

  • Pamatojums: spēja risināt problēmas;
  • Zināšanas: spēja pārstāvēt un izprast pasauli;
  • Plānošana: spēja izvirzīt un sasniegt mērķus;
  • Komunikācija: spēja saprast valodu un komunicēt;
  • Uztvere: spēja pārveidot neapstrādātas sensoro ieejas (piemēram, attēlus, skaņas utt.) Izmantojamā informācijā.

Es joprojām vaicāju, vai šī klasifikācija ir pietiekami liela, lai aptvertu visu problēmu spektru, ar kuru mēs šobrīd saskaramies, vai arī būtu jāpievieno vairāk gadījumu (piemēram, Radošums vai Kustība). Pagaidām gan es pieturēšos pie piecām kopām.

Tā vietā lodziņu modeļi tehnoloģijas sadala divās grupās, t.i., šaurās lietojumprogrammās un vispārējās lietojumprogrammās. Izmantotie vārdi ar nolūku ir nedaudz maldinoši, bet vienu sekundi nes sev līdzi, un es paskaidrošu, ko es domāju. Ikvienam, kurš sāk darbu AI, ir ļoti svarīgi zināt atšķirību starp vāju / šauru AI (ANI), spēcīgu / vispārēju AI (AGI) un mākslīgo superinteliģenci (ASI). Skaidrības labad ASI ir vienkārši aktuālas spekulācijas, vispārējais AI ir pētnieku gala mērķis un svētais grāls, savukārt šaura AI ir tāda, kāda mums patiesībā ir šodien, ti, tehnoloģiju kopums, kas nespēj tikt galā ar neko ārpus to darbības jomas (kas ir galvenā atšķirība salīdzinājumā ar AGI).

Divu veidu diagrammā izmantotie līniju tipi (nepārtraukta un punktēta) pēc tam vēlas skaidri norādīt uz šo atšķirību un padarīt jūs pārliecinātu, ka, lasot kādu citu AI ievadmateriālu, jūs pilnībā nepazudīsit. Tomēr tajā pašā laikā atšķirība šeit izklāsta tehnoloģijas, kas var atrisināt tikai noteiktu uzdevumu (parasti labāk nekā cilvēki - šaurās lietojumprogrammas), un citas, kas šodien vai nākotnē var atrisināt vairākus uzdevumus un mijiedarboties ar pasauli (labāk nekā daudzi cilvēki - vispārīgi pielietojumi).

Visbeidzot, redzēsim, kas atrodas pašā grafikā. Kartē attēlotas dažādas AI tehnoloģiju klases. Ņemiet vērā, ka es apzināti nenosaucu konkrētus algoritmus, bet gan sagrupēju tos makro grupās. Es arī nesniedzu jums vērtības novērtējumu par to, kas tas darbojas un kas nedarbojas, bet vienkārši uzskaitu, ko pētnieki un datu zinātnieki var izmantot.

Tātad, kā jūs lasāt un interpretējat karti? Nu, ļaujiet man minēt divus piemērus, kas jums to palīdzēs. Ja paskatās uz dabiskās valodas apstrādi, tas iegulst algoritmu klasē, kas izmanto uz zināšanām balstītas pieejas, mašīnmācīšanās un varbūtības metožu kombināciju, lai risinātu problēmas uztveres jomā. Tomēr, ja tajā pašā laikā aplūkojat tukšo vietu uz loģikas balstītas paradigmas un spriešanas problēmu krustojumā, jums varētu rasties jautājums, kāpēc tur nav tehnoloģiju. Tas, ko karte nodod, nav tas, ka kategoriski nepastāv metode, kas šo vietu varētu aizpildīt, bet gan tas, ka, kad cilvēki pievēršas spriešanas problēmai, viņi drīzāk izvēlas izmantot, piemēram, mašīnmācīšanās pieeju.

Noslēdzot šo skaidrojumu, tas ir pilns tehnoloģiju saraksts, kas iekļauts to definīcijās:

  • Robotisko procesu automatizācija (RPA): tehnoloģija, kas izdala veicamo noteikumu un darbību sarakstu, vērojot, kā lietotājs veic noteiktu uzdevumu;
  • Ekspertu sistēmas: datorprogramma, kurai ir grūti kodēti noteikumi, lai līdzinātu cilvēka lēmumu pieņemšanas procesu. Izplūdušās sistēmas ir īpašs uz noteikumiem balstītu sistēmu piemērs, kas maina mainīgos lielumus vērtību kontinuumā no 0 līdz 1, pretēji tradicionālajai digitālajai loģikai, kuras rezultāts ir 0/1;
  • Datorvīzija (CV): metodes digitālo attēlu iegūšanai un izpratnei (tos parasti sadala darbību atpazīšanā, attēlu atpazīšanā un mašīnredzēšanā);
  • Dabiskās valodas apstrāde (NLP): apakšlauks, kas apstrādā dabiskās valodas datus (trīs galvenie bloki pieder šim laukam, t.i., valodas izpratne, valodas ģenerēšana un mašīntulkošana);
  • Neironu tīkli (NNs vai ANNs): algoritmu klase, kas brīvi modelēta pēc cilvēka / dzīvnieka smadzeņu neironu struktūras, kas uzlabo to veiktspēju, bez tieša norādījuma par to, kā to izdarīt. Divas galvenās un labi zināmās NN apakšklases ir dziļā apmācība (neironu tīkls ar vairākiem slāņiem) un ģeneratīvie sacīkstes tīkli (GAN - divi tīkli, kas trenē viens otru);
  • Autonomās sistēmas: apakšlauks, kas atrodas robotikas un inteliģento sistēmu krustojumā (piemēram, inteliģenta uztvere, dexterous objektu manipulācijas, uz planiem balstīta robota vadība utt.);
  • Izkliedētais mākslīgais intelekts (DAI): tehnoloģiju klase, kas risina problēmas, izplatot tās autonomiem “aģentiem”, kas mijiedarbojas savā starpā. Vairāku aģentu sistēmas (MAS), aģentu modelēšana (ABM) un spiegu inteliģence ir trīs noderīgas šīs apakškopas specifikācijas, kurās kolektīvā uzvedība rodas no decentralizētu pašorganizētu aģentu mijiedarbības;
  • Afektīvā skaitļošana: apakšlauks, kas nodarbojas ar emociju atpazīšanu, interpretāciju un simulāciju;
  • Evolūcijas algoritmi (EA): tā ir plašākas datorzinātņu jomas, kas tiek saukta par evolūcijas aprēķinu, apakškopa, kas optimālu risinājumu meklēšanai izmanto bioloģijas iedvesmotus mehānismus (piemēram, mutācijas, reproducēšana utt.). Ģenētiskie algoritmi ir visizplatītākā EA apakšgrupa, kas ir meklēšanas heiristika, kas seko dabiskās atlases procesam, lai izvēlētos “vispiemērotāko” kandidāta risinājumu;
  • Induktīvā loģiskā programmēšana (ILP): apakšlauks, kas izmanto formālo loģiku, lai attēlotu faktu datu bāzi un formulētu hipotēzi, kas izriet no šiem datiem;
  • Lēmumu tīkli: ir vispazīstamāko Bajesijas tīklu / secinājumu vispārinājums, kas attēlo mainīgo kopumu un to varbūtības attiecības kartē (sauktu arī par virzīto aciklisko grafiku);
  • Varbūtēja programmēšana: ietvars, kas neliek jums kodēt noteiktu mainīgo, bet gan darbojas ar varbūtības modeļiem. Bailijas programmu sintēze (BPS) kaut kādā veidā ir varbūtības programmēšanas forma, kurā Bailijas programmas raksta jaunas Bailijas programmas (tā vietā, lai to izdarītu cilvēki, kā tas ir plašākā varbūtības varbūtības programmēšanas pieejā);
  • Apkārtējā inteliģence (AmI): ietvars, kas prasa fiziskām ierīcēm digitālajā vidē, lai tās uztvertu, uztvertu un ar konteksta apziņu reaģētu uz ārēju stimulu (parasti to izraisa cilvēka darbība).

Lai atrisinātu konkrētu problēmu, ieteicams ievērot vienu vai vairākas pieejas, kas savukārt nozīmē vienu vai vairākas tehnoloģijas, ņemot vērā, ka daudzas no tām nepavisam nav savstarpēji izslēdzošas, bet drīzāk viena otru papildina.

Visbeidzot, ir vēl viena atbilstoša klasifikācija, kuru es neesmu iestrādājis iepriekš redzamajā grafikā (t.i., dažāda veida analītika), bet tas ir vērts pieminēt pilnīguma labad. Jūs faktiski var saskarties ar pieciem atšķirīgiem analīzes veidiem: aprakstošā analītika (notikušais); diagnostiskā analītika (kāpēc kaut kas notika); prognozējošā analītika (kas notiks); recepšu analītika (darbību ieteikšana); un automatizēta analītika (darbību veikšana automātiski). Jums varētu rasties kārdinājums to izmantot, lai kaut kādā veidā klasificētu iepriekšminētās tehnoloģijas, taču realitāte ir tāda, ka tā ir funkcionālā klasifikācija un process, nevis viens produkts - citiem vārdiem sakot, katra spektra tehnoloģija var izpildīt šīs piecas analītiskās funkcijas. .

III. Secinājums

Datoru mācīšana, kā iemācīties, bez vajadzības tieši ieprogrammēt, ir grūts uzdevums, kas saistīts ar vairākām tehnoloģijām, lai risinātu vairākas nianses, un, kaut arī šī karte nebūt nav perfekta, tas ir vismaz pirmais mēģinājums saprast nekārtīga ainava, kāda ir mākslīgais intelekts.

Es lieliski apzinos, ka šeit parādās spēcīgs Pareto princips, proti, ka 80% (ja ne vairāk) no pašreizējiem centieniem un rezultātiem nodrošina 20% no kartē attēlotajām tehnoloģijām (proti, padziļinātā mācīšanās, NLP un dators) vīzija), taču es esmu arī pārliecināts, ka pilna spektra pieejamība varētu palīdzēt pētniekiem, jaunizveidotiem uzņēmumiem un investoriem.

Papildus tam, lai mēģinātu iegult un apsvērt atsauksmes un komentārus par šo pirmo versiju, es nākotnē plānoju veikt vēl divus soļus: viens ir izveidot slāni tāda veida izaicinājumiem, ar kuriem saskaras AI (piemēram, atmiņas problēmas un katastrofāla aizmirstība, nodot mācīšanos, mācīties no mazāk datu ar tādām lietām kā nulles un vienreizēja mācīšanās utt.) un kādas tehnoloģijas var izmantot, lai pārvarētu šo specifisko problēmu. Otrkārt, mēģinot izmantot objektīvus, lai apskatītu dažādās tehnoloģijas un nevis problēmas, kuras tās risina, bet drīzāk tās, kuras tās rada (piemēram, ētiski jautājumi, datu ietilpīgas problēmas, melnā kaste un izskaidrojamības problēma utt.).

Ja jums ir kādi komentāri par pašreizējā darba uzlabošanu vai ieteikumi, kā iegult šīs divas papildu darbības, lūdzu, sazinieties!

Un, ja jūs esat uzņēmums, kas strādā ar kādu no iepriekšminētajām tehnoloģijām, es labprāt vēlētos dzirdēt no jums vairāk.

Informācijas atklāšana: AI zināšanu karte tika izstrādāta kopā ar stratēģisko inovāciju konsultāciju aģentūru Axilo darbībām Chôra platformā.

Atsauces

Agraval, A., Gans, J., Goldfarb, A. (2018). “Prognozēšanas mašīnas: mākslīgā intelekta vienkāršā ekonomika”. Harvard Business Review Press.

Domingos, P. (2015). “Galvenais algoritms: kā vislabākās mācību mašīnas meklējumi pārtaisīs mūsu pasauli”. Ņujorka: Pamata grāmatas.