Mensen plus machines overtreffen de mogelijkheden van beide elementen alleen. metamorworks / Shutterstock.com

De toekomst zal niet alleen door mensen of machines worden gemaakt, maar door beide, door samen te werken. Technologieën gemodelleerd op hoe menselijk brein werkt, vergroten de capaciteiten van mensen en zullen alleen maar meer invloed krijgen naarmate de maatschappij went aan deze steeds beter in staat zijnde machines.

Technologie-optimisten hebben een wereld met opkomst voorzien menselijke productiviteit en kwaliteit van leven terwijl kunstmatige intelligentiesystemen het saaie en administratieve werk van het leven overnemen, iedereen ten goede komen. Pessimisten, aan de andere kant, hebben gewaarschuwd dat deze vooruitgang zou kunnen komen hoge kosten in verloren banen en verstoorde levens. En bangmakers vrezen dat AI uiteindelijk zou kunnen mensen overbodig maken.

Mensen zijn echter niet erg goed in het voorstellen van de toekomst. Noch de utopie noch de dag des oordeels is waarschijnlijk. In mijn nieuwe boek, "De diepe leerrevolutie, "Mijn doel was om het verleden, het heden en de toekomst van dit snelgroeiende gebied van wetenschap en technologie uit te leggen. Mijn conclusie is dat AI je slimmer zal maken, maar op manieren die je zullen verrassen.

Patronen herkennen

Deep learning is het deel van AI dat de meeste vooruitgang heeft geboekt het oplossen van complexe problemen zoals het identificeren van objecten in afbeeldingen, het herkennen van spraak uit meerdere luidsprekers en het verwerken van tekst op de manier waarop mensen spreken of schrijven. Diepgaand leren is ook nuttig gebleken voor het identificeren van patronen in de steeds groter wordende gegevenssets die worden gegenereerd sensoren, medische apparaten en wetenschappelijke instrumenten.

Het doel van deze benadering is manieren te vinden waarop een computer de complexiteit van de wereld kan weergeven en kan generaliseren vanuit eerdere ervaringen - zelfs als wat er nu gebeurt niet precies hetzelfde is als wat eerder gebeurde. Net zoals een persoon kan identificeren dat een specifiek dier dat ze nog nooit heeft gezien, in feite een kat is, diepgaande algoritmen kunnen aspecten identificeren van wat men 'cat-ness' zou kunnen noemen en extraheer die attributen uit nieuwe afbeeldingen van katten.

Diepe leersystemen kunnen vertellen welke van deze een kat is. Gelpi / Shutterstock.com

De methoden voor diep leren zijn gebaseerd op de dezelfde principes die het menselijk brein ondersteunen. Het brein verwerkt bijvoorbeeld veel gegevens van verschillende soorten in veel verwerkingseenheden op hetzelfde moment. Neuronen hebben veel connecties met elkaar, en die links worden sterker of zwakker afhankelijk van hoeveel ze worden gebruikt, waarbij associaties worden gelegd tussen sensorische inputs en conceptuele outputs.

De meest succesvolle deep learning-netwerk is gebaseerd op 1960s onderzoek naar de architectuur van de visuele cortex, een deel van de hersenen dat we gebruiken om te zien, en leeralgoritmen die zijn uitgevonden in de 1980s. In die tijd waren computers nog niet snel genoeg om problemen in de echte wereld op te lossen. Nu zijn ze dat echter wel.

Daarnaast zijn leernetwerken over elkaar heen gelaagd, waardoor netwerken van verbindingen nauwer zijn ontstaan die lijkt op de hiërarchie van lagen in de visuele cortex. Dit is onderdeel van een convergentie plaats vindt tussen kunstmatige en biologische intelligentie.

Een neuraal netwerk met vier lagen accepteert invoer van links, geeft de uitvoer van de eerste laag door aan de volgende laag, aan de volgende en de volgende - voordat uitvoer wordt geleverd. Sin314 / Shutterstock.com

Diepgaand leren in het echte leven

Diepgaand leren voegt nu al toe aan menselijke capaciteiten. Als u Google-services gebruikt om op internet te zoeken of de bijbehorende apps te gebruiken om van de ene taal naar de andere te vertalen of spraak in tekst om te zetten, heeft technologie u slimmer of effectiever gemaakt. Onlangs op een reis naar China sprak een vriend Engels in zijn Android-telefoon, die het vertaalde naar gesproken Chinees voor een taxichauffeur, net als de universele vertaler op "Star Trek. '

Een test van een daadwerkelijk real-time vertaalapparaat.

{youtube}Nu-nlQqFCKg{/youtube}

Deze en vele andere systemen zijn al aan het werk en helpen je in je dagelijkse leven, zelfs als je je er niet van bewust bent. Zo begint deep learning de lezen van röntgenfoto's en foto's van huidlaesies voor kanker detectie. Uw lokale arts zal binnenkort problemen kunnen opsporen die vandaag alleen voor de beste experts zichtbaar zijn.

Zelfs als je weet dat er een machine bij betrokken is, begrijp je misschien niet de complexiteit van wat ze eigenlijk doen: achter Amazon's Alexa is een schare van diepgaande netwerken die uw verzoek herkennen, ziften door gegevens om uw vragen te beantwoorden en acties voor u te ondernemen.

Leren bevorderen

Diep leren is zeer effectief geweest in het oplossen van problemen met patroonherkenning, maar om verder te gaan, zijn andere hersensystemen nodig. Wanneer een dier wordt beloond voor een actie, is het dat wel waarschijnlijker om soortgelijke acties in de toekomst te ondernemen. Dopamine-neuronen in de basale ganglia van de hersenen melden het verschil tussen verwachte en ontvangen beloningen, belde voorspellingsfout, die wordt gebruikt om de sterke punten van verbindingen in de hersenen te veranderen die toekomstige beloningen voorspellen.

Het koppelen van deze aanpak, versterkend leren genaamd, kan bij diepgaand leren computers de kracht geven om onverwachte mogelijkheden te identificeren. Door een patroon te herkennen en daarop te reageren op een manier die beloningen oplevert, kunnen machines gedrag benaderen in de trant van wat men menselijke creativiteit zou kunnen noemen. Deze gekoppelde aanpak is hoe DeepMind een programma genaamd AlphaGo, die in 2016 versloeg grootmeester Lee Sedol en het volgende jaar verslaan de wereld Go-kampioen, Ke Jie.

Games zijn niet zo rommelig als de echte wereld, die vol zit met verschuivende onzekerheden. Massimo Vergassola aan de University of California, San Diego, en onlangs heb ik reinforcement learning gebruikt om een ​​zweefvliegtuig in het veld te onderwijzen hoe te zweven als een vogel in turbulente thermiek. Sensoren kunnen aan echte vogels worden gekoppeld om te testen of ze dezelfde signalen gebruiken en op dezelfde manier reageren.

Ondanks deze successen begrijpen onderzoekers nog niet volledig hoe diepgaand leren deze problemen oplost. Natuurlijk weten we ook niet hoe het brein ze oplost.

Hoewel de innerlijke werking van de hersenen misschien ongrijpbaar blijft, is het slechts een kwestie van tijd voordat onderzoekers een theorie van diep leren ontwikkelen. Het verschil is dat onderzoekers bij het bestuderen van computers toegang hebben tot elke verbinding en patroon van activiteit in het netwerk. Het tempo van de voortgang is snel, met onderzoeksdocumenten die dagelijks verschijnen arXiv. Verrassend veel vooruitgang wordt in december verwacht in de Conferentie van Neural Information Processing Systems in Montreal, welke 8,000-tickets uitverkocht in 11 minuten, waardoor hoopvolle registranten van 9,000 op de wachtlijst staan.

Er is nog een lange weg te gaan voordat computers algemene menselijke intelligentie bereiken. Het grootste deep-learning netwerk van vandaag heeft alleen de kracht van een stuk menselijke neurale cortex de grootte van een rijstkorrel. En we weten nog niet hoe de hersenen interacties dynamisch organiseren tussen grotere hersengebieden.

De natuur heeft dat integratieniveau al en creëert grootschalige hersensystemen die alle aspecten van het menselijk lichaam kunnen bedienen, terwijl ze diep nadenken en complexe taken voltooien. Uiteindelijk kunnen autonome systemen zo complex worden, dat ze toetreden tot de talloze levende wezens op onze planeet.

Over de auteur

Terrence Sejnowski, professor professor Francis Crick en directeur van het Computational Neurobiology Laboratory aan het Salk Institute for Biological Studies en Distinguished Professor of Neurobiology, University of California San Diego

Dit artikel is opnieuw gepubliceerd vanaf The Conversation onder een Creative Commons-licentie. Lees de originele artikel.

Verwante Boeken

at InnerSelf Market en Amazon