Video: [Drama] Yann LeCun against Twitter on Dataset Bias (Studeni 2024)
Na radionici o AI i budućnosti rada ranije ovog mjeseca, Yann LeCun, direktor AI istraživanja na Facebooku i direktor utemeljitelj NYU Centra za znanost podataka, govorio je o "moći i granicama dubokog učenja". LeCun, koji je pokrenuo revolucionarne neuronske mreže koje su u središtu mnogih nedavnih napretka u AI, bio je oduševljen napretkom koji je postigao u posljednjih nekoliko godina i realističan je u pogledu toga što takvi sustavi mogu, a što ne mogu.
Bilo je više talasa AI, rekao je LeCun i napomenuo da je, iako se sadašnji val fokusirao na duboko učenje, ono što slijedi je "percepcija", a najveći primjeri su aplikacije poput medicinskog snimanja automobila i osobnih automobila. Gotovo sve ove aplikacije koriste nadzirano učenje i većina koristi konvolucijske neuronske mreže, koje je LeCun prvi opisao 1989. godine i koje su prvi put primijenjene u prepoznavanju znakova na bankomatima 1995. LeCun je rekao da je patent na takvim mrežama istekao 2007.
Veliki skupovi podataka s velikim veličinama uzoraka, kao i nevjerojatan porast računalne snage (potpomognut radom Geoffreyja Hintona na pronalaženju načina korištenja GPU-a za prepoznavanje slike) doveli su do najviše promjena u posljednjih nekoliko godina. Čak i za LeCun, napredak u prepoznavanju slika bio je "ništa manje zapanjujući". Iako percepcija "stvarno djeluje", ono što još uvijek nedostaje je rasuđivanje.
LeCun je govorio o tri različite vrste pristupa i ograničenjima svakog od njih. Za učenje ojačanja potreban je ogroman broj uzoraka. Odličan je za igre, jer sustav može pokrenuti milijunske probe i postajati sve bolji i bolji, ali u stvarnom svijetu ga je teško koristiti jer, primjerice, ne želite voziti automobil sa litice, i realno vrijeme je faktor u stvarnom svijetu.
Nadzirano učenje, što je većina onoga što sada vidimo, zahtijeva srednje povratne informacije i dobro funkcionira. Međutim, nadzirano strojno učenje ima nekih problema. LeCun je rekao da takvi sustavi odražavaju pristranosti podataka, iako je rekao da je optimističan da se ovaj problem može prevladati i da vjeruje da je lakše ukloniti pristranosti s strojeva u usporedbi s ljudima. Ali također je teško provjeriti takve sustave za pouzdanost i teško je objasniti odluke donesene na temelju rezultata takvih sustava, a LeCun je govorio o zahtjevima za kredit kao primjer toga.
Nenadzirano ili prediktivno učenje, koje se trenutno istražuje zbog stvari poput predviđanja budućih kadrova u videozapisu, zahtijeva mnogo povratnih informacija. Nenadzirano učenje uključuje predviđanje prošlosti, sadašnjosti ili budućnosti prema svim dostupnim informacijama ili drugim riječima, sposobnost popunjavanja praznina, za što LeCun kaže da je učinkovito ono što nazivamo zdrav razum. Napomenuo je da bebe to mogu učiniti, ali da je to dobiti strojevi bilo je vrlo teško, te je govorio o tome kako istraživači rade na tehnikama poput generativnih protivgradnih mreža (GAN) za predviđanja napravljena u neizvjesnim uvjetima. Daleko smo od cjelovitog rješenja, rekao je.
LeCun je govorio o tri vrste učenja kao dijelovima torte: pojačano učenje je trešnja na vrhu, nadzirano učenje glazure, a prediktivno učenje glavni je dio kolača.
LeCun je predvidio da će AI promijeniti način na koji se stvari vrednuju, a roba koju grade roboti koštat će manje, a autentična ljudska iskustva koštaju više, i rekao je da to može značiti da postoji "svijetla budućnost za jazz glazbenike i umjetnike".
Sveukupno, LeCun je rekao kako je AI tehnologija opće namjene (GPT) poput parnog stroja, električne energije ili računala. Kao takav, to će utjecati na mnoga područja gospodarstva, ali proći će 10 ili 20 godina prije nego što vidimo učinak na produktivnost. LeCun je rekao da će AI dovesti do zamjene radnih mjesta, ali napomenuo je da je uvođenje tehnologije ograničeno time koliko se brzi radnici mogu osposobiti za to.
Što se tiče "prave AI revolucije", LeCun je rekao da se to neće dogoditi sve dok strojevi ne steknu zdrav razum, a određivanje principa za to može potrajati dvije, pet, dvadeset ili više godina; osim toga bit će potrebne godine da se razvije praktična AI tehnologija utemeljena na tim načelima. Napokon, napomenuo je, trebalo je dvadeset godina da konvolucijske mreže postanu važne. I sve se to temelji na pretpostavci da su načela jednostavna; postaje mnogo složenije ako je "inteligencija klud".
