211service.com
Nvidia ļauj ieskatīties tās pašpiedziņas AI melnajā kastē
Nvidia ir izstrādāta pašbraucošs AI, kas parāda, kā tas darbojas.
Kā mēs paskaidrojām mūsu jaunākajā vāka stāstā The Dark Secret at the Heart of AI , dažas no jaudīgākajām pieejamajām mašīnmācīšanās metodēm nodrošina programmatūru, kas ir gandrīz pilnībā nepārredzama pat inženieriem, kas to veido. Tāpēc pieejas, kas sniedz dažas norādes par to, kā AI darbojas, būs ļoti svarīgas, lai veidotu uzticēšanos tehnoloģijai, kas, šķiet, radīs revolūciju visā, sākot no medicīnas līdz ražošanai.
Nvidia nodrošina mikroshēmas, kas ir ideāli piemērotas dziļai apmācībai — īpaši jaudīga mašīnmācīšanās tehnika (skatiet 10 Breakthrough Technologies 2013: Deep Learning ).
Nvidia neironu tīkla programmatūra izceļ jomas, uz kurām tā koncentrējas, pieņemot braukšanas lēmumus.
Arī mikroshēmu ražotājs ir attīstījies sistēmas kas parāda, kā autoražotājs var izmantot dziļu mācīšanos autonomai braukšanai. Tas ietver automašīnu, kuru pilnībā kontrolē dziļas mācīšanās algoritms. Pārsteidzoši, ka transportlīdzekļa datoram nav doti nekādi noteikumi, kas jāievēro — tas vienkārši saskaņo vairāku videokameru ievadi ar cilvēka vadītāja izturēšanos un pats izdomā, kā tam vajadzētu braukt. Vienīgā problēma ir tā, ka sistēma ir tik sarežģīta, ka ir grūti saprast, kā tā faktiski darbojas.
Bet Nvidia strādā, lai atvērtu šo melno kasti. Tas ir izstrādājis veidu, kā vizuāli izcelt to, kam sistēma pievērš uzmanību. Kā paskaidrots nesen publicētajā papīrs , Nvidia pētnieku izstrādātā neironu tīkla arhitektūra ir izstrādāta tā, lai tā varētu izcelt video attēla apgabalus, kas visvairāk ietekmē automašīnas dziļā neironu tīkla uzvedību. Jāatzīmē, ka rezultāti liecina, ka tīkls koncentrējas uz ceļu malām, joslu marķējumiem un stāvošām automašīnām — tieši tādām lietām, kurām labs autovadītājs vēlētos pievērst uzmanību.
Revolucionāri šajā jautājumā ir tas, ka mēs nekad tieši neteicām tīklam, lai tas rūpētos par šīm lietām, Urs Mullers, Nvidia pašbraucošo automašīnu galvenais arhitekts, rakstīja emuāra ieraksts .
Tas nav pilnīgs izskaidrojums tam, kā neironu tīkls izraisa, bet tas ir labs sākums. Kā saka Mullers: es nevaru izskaidrot visu, kas man jādara automašīnai, bet es varu to parādīt, un tagad tā var man parādīt, ko tā ir iemācījusies.
Šāda veida pieeja varētu kļūt arvien svarīgāka, jo padziļināta mācīšanās tiek piemērota gandrīz jebkurai problēmai, kas saistīta ar lielu datu daudzumu, tostarp tādām kritiskām jomām kā medicīna, finanses un militārā izlūkošana.
Saujiņa akadēmisko pētnieku pēta arī šo jautājumu. Piemēram, Džefs Klūns Vaiomingas Universitātē un Čārlzs Viesrins Vašingtonas Universitātē (un Apple) ir atraduši veidus, kā izcelt tās attēlu daļas, kuras uztver klasifikācijas sistēmas. Un Tommi Jaakola un Regīna Barzilaja MIT izstrādā veidus, kā nodrošināt teksta fragmentus, kas palīdz izskaidrot secinājumus, kas izdarīti no liela apjoma rakstisku datu.
Aizsardzības progresīvo projektu pētniecības aģentūra (DARPA), kas veic ilgtermiņa pētījumus ASV militārpersonām, finansē vairākus līdzīgus pētniecības pasākumus, izmantojot programmu, ko tā sauc. Izskaidrojams mākslīgais intelekts (XAI) .
Tomēr papildus tehniskajām specifikām ir aizraujoši apsvērt, kā tas ir salīdzināms ar cilvēka intelektu. Mēs darām dažādas lietas, ko nevaram pilnībā izskaidrot, un mūsu izdomātie skaidrojumi bieži vien ir tikai aptuveni vai stāsti par notiekošo. Ņemot vērā mūsdienu arvien sarežģītāko mašīnmācīšanās metožu necaurredzamību, mēs kādreiz varam būt spiesti pieņemt šādus AI skaidrojumus.
(Avoti: Nvidia , Dark Secret at Heart of AI , ASV militārpersonas vēlas, lai tās autonomās mašīnas izskaidro sevi)