Microsoft ve Google - Yapay Zeka Yarışını Kim Yönetir?

İlan

AI geri döndü.

1980'lerden bu yana ilk kez, yapay zeka araştırmacıları zor problemlerde somut ilerleme kaydediyorlar ve insanlar tekrar güçlü AI hakkında ciddi bir şekilde konuşmaya başlıyorlar. Bu arada, giderek artan veri odaklı dünyamız, özellikle mobil alanda yeni istihbarattan para kazanmak isteyen şirketler arasında bir silahlanma yarışını başlattı.

Paketi yöneten iki titan Google ve Microsoft'tur. İlk savaş mı? Yapay zekada “Derin Öğrenme” adlı yeni bir alan.

Peki kim kazanıyor?

Google Beyin

Google’ın araştırma çabaları, calledGoogle Brain’Google Beyin, Google'ın ünlü / gizli‘ Google X ’araştırma laboratuvarının ürünüdür; bu, başarı şansı düşük, ancak çok yüksek potansiyele sahip ay çekim projelerinden sorumludur. Google X'in diğer ürünleri arasında Project Loon, balon İnternet girişimi ve Google kendi kendine giden otomobil projesi Sürücüsüz Otomobillerle Dolu Bir Dünyaya Nasıl UlaşacağızSürüş sıkıcı, tehlikeli ve zorlu bir iştir. Bir gün Google'ın sürücüsüz otomobil teknolojisi tarafından otomatik hale getirilebilir mi? Daha fazla oku .

Google Brain, öncelikle görüntü işlemeyi amaçlayan, ancak çok daha geniş hedefleri olan muazzam bir makine öğrenimi girişimidir. Proje, o zamandan beri projeden ayrılan bir makine öğrenimi uzmanı Stanford Profesörü Andrew Ng tarafından başlatıldı Baidu için çalışmak, Çin’in en büyük arama motorudur.

Google'ın yapay zeka araştırmalarına uzun bir katılım geçmişi vardır. Makine görsel girişiminin CEO'su Matthew Zeiler ve Google Brain'de çalışan bir stajyer bunu şöyle yapıyor:

“Google gerçekten bir arama şirketi değil. Makine öğrenen bir şirkettir [..] Şirketteki her şey gerçekten makine öğrenimi tarafından yönlendiriliyor. ”

Projenin amacı, daha az işlem gücü kullanarak verilerde daha derin ve daha anlamlı kalıplar bulabilen sinir ağları oluşturmak için derin öğrenme algoritmalarını geliştirmenin yollarını bulmaktır. Bu amaçla, Google agresif bir şekilde derin öğrenme yeteneğini satın alarak, 500 milyon dolarlık satın alma AI başlangıcının Derin Düşünce.

DeepMind, Google'ın yazılımlarını önlemek için tasarlanmış bir etik kurul oluşturmaya zorladığı teknolojilerinin uygulamaları konusunda yeterince endişeliydi. dünyayı yok etmek Bilim İnsanları Neden Yapay Zeka Hakkında Endişelenmeniz Gerektiğini DüşünüyorlarYapay zekanın tehlikeli olduğunu düşünüyor musunuz? AI insan ırkı için ciddi bir risk oluşturabilir mi? Endişelenmek isteyebileceğiniz bazı nedenler bunlar. Daha fazla oku . DeepMind henüz ilk ürününü piyasaya sürmemiştir, ancak şirket dünyadaki tüm derin öğrenme uzmanlarının önemli bir bölümünü istihdam etmiştir. Bugüne kadar, teknolojilerine dair halka açık demoları Atari'de gerçekten çok iyi bir oyuncak yapay zeka oldu.

Derin öğrenme nispeten yeni bir alan olduğundan, büyük nesil uzmanlar üretmek için zaman yoktu. Sonuç olarak, bölgede uzmanlığı olan çok az sayıda insan var ve bu da ilgili herkesi işe alarak alanda önemli bir avantaj elde etmenin mümkün olduğu anlamına geliyor.

Google Brain, şimdiye kadar Android’in ses tanıma özelliğine ve adresler gibi önemli özellikleri belirleyerek StreetView görüntülerini otomatik olarak kataloglamak için uygulandı. Erken bir test ünlü kedi deneyiGoogle derin öğrenme ağının, Youtube videolarındaki kedileri, önceki teknolojiden daha yüksek bir doğruluk oranıyla tanımlamayı otomatik olarak öğrendiği. Onların konuyla ilgili kağıt, Google şu şekilde koydu:

“Yaygın olarak düzenlenen bir sezginin aksine, deneysel sonuçlarımız bir yüz dedektörü eğitmenin mümkün olduğunu ortaya koyuyor görüntüleri bir yüz içeren veya içermeyen olarak etiketlemek zorunda kalmadan […] Ağ, kedi yüzleri ve insan gibi üst düzey kavramlara duyarlıdır bedenler. Bu öğrenilen özelliklerden başlayarak, 20.000'i tanımada yüzde 15,8 doğruluk elde etmek için eğittik nesne kategorileri, önceki teknolojiye göre yüzde 70 göreli iyileşme [Ağlar].”

Sonunda, Google derin öğrenme algoritmalarının yapmasını istiyor… aslında, hemen hemen her şeyi. IBM’in Watson gibi güçlü yapay zeka platformları bu tür düşük seviyeli makine öğrenme algoritmalarına güveniyor ve bu cephedeki iyileştirmeler yapay zekanın genel alanını çok daha güçlü kılıyor.

Google Brain tarafından desteklenen Google Asistan'ın gelecekteki bir sürümü, hem konuşmayı hem de görüntüleri tanımlayabilir ve kullanıcıların daha akıllıca kararlar vermelerine yardımcı olmak için bu veriler hakkında akıllı bilgiler sağlayabilir. Google beyni, arama sonuçlarından Google Çeviri'ye kadar her şeyi iyileştirebilir.

Microsoft Adam

Microsoft’un derin öğrenme savaşına yaklaşımı biraz farklıydı. Microsoft, algoritmalarını geliştirmek için derin öğrenme uzmanları satın almaya çalışmak yerine, uygulamanın geliştirilmesine odaklanmak ve kullanılan algoritmaları paralel hale getirmenin daha iyi yollarını bulmak için tren derin öğrenme algoritmaları.

Bu projeye “Microsoft Adam.” Teknikleri gereksiz hesaplamayı azaltır ve elde etmek için daha az işlemci kullanırken sonuçların kalitesini ikiye katlar. Bu, yüksek doğruluktaki fotoğraflardan bireysel köpek ırklarını tanıyabilen bir ağ da dahil olmak üzere etkileyici teknik başarılara yol açtı.

Microsoft projeyi açıklıyor bunun gibi:

Adam Projesi'nin amacı, yazılımın herhangi bir nesneyi görsel olarak tanımasını sağlamaktır. İnsan beynindeki muazzam sinir ağı göz önüne alındığında, bu tür ilişkileri trilyonlarca […] Diğer sistemlerden 30 kat daha az makine kullanarak, [internet görüntü verisi] ikiden fazla oluşan sinir ağını eğitmek için kullanıldı milyar bağlantı. Bu ölçeklenebilir altyapı, nesne tanımada iki kat daha doğru ve diğer sistemlerden 50 kat daha hızlıdır.

Bu teknoloji için bariz uygulama Cortana'da, Microsoft’un yeni sanal asistanı Cortana Hayatımda “Diğer Kadın” Nasıl OlduBir gün ortaya çıktı ve hayatımı değiştirdi. Neye ihtiyacım olduğunu tam olarak biliyor ve kötü bir mizah anlayışına sahip. Cortana'nın cazibesine kapıldığım için şaşılacak bir şey yok. Daha fazla oku , Halo'daki AI karakterinden esinlenmiştir. Siri ile rekabet etmeyi amaçlayan Cortana, sofistike konuşma tanıma tekniklerini kullanarak bir dizi akıllı şey yapabilir.

Tasarım amacı, daha doğal etkileşime sahip bir asistan oluşturmak ve kullanıcı için daha geniş kapsamlı yararlı görevler gerçekleştirebilir, bu da derin öğrenmenin çok yardımcı olacağı bir şeydir.

Microsoft’un derin öğrenmenin arka ucundaki gelişmeler etkileyicidir ve daha önce mümkün olmayan uygulamalara yol açmıştır.

Derin Öğrenme Nasıl Çalışır?

Sorunu biraz daha iyi anlamak için, bu yeni teknolojiyi anlamak için bir dakikanızı ayırın. Derin öğrenme, genellikle sinir ağlarına uygulanan akıllı yazılım oluşturma tekniğidir. Her biri selefinin çıktısında örüntüler bulan daha basit sinir ağlarını bir araya getirerek büyük, kullanışlı ağlar oluşturur. Bunun neden faydalı olduğunu anlamak için derin öğrenmeden önce neler olduğuna bakmak önemlidir.

Geriye Yayılan Yapay Sinir Ağları

Bir sinir ağının altında yatan yapı aslında oldukça basittir. Her bir 'nöron' girdi alan küçük bir düğümdür ve ne zaman “ateşleneceği” (çıktı üretecek) karar vermek için iç kuralları kullanır. Her bir nörona beslenen girdilerin “ağırlıkları” vardır - sinyalin pozitif veya negatif olup olmadığını ve ne kadar güçlü olduğunu kontrol eden çarpanlar.

Bu nöronları birbirine bağlayarak, herhangi bir algoritmayı taklit eden bir ağ oluşturabilirsiniz. Girdi nöronlara ikili değerler olarak veri girdiniz ve çıktıyı almak için çıktı nöronlarının ateşleme değerini ölçtünüz. Bu nedenle, herhangi bir türdeki sinir ağlarının hilesi, bir ağ almak ve ilgilendiğiniz işleve en iyi yaklaşan ağırlık kümesini bulmaktır.

Backpropagation, verilere dayalı olarak ağı eğitmek için kullanılan algoritma çok basittir: ağınızı rasgele ağırlıklarla başlatırsınız ve ardından verileri bilinen cevaplarla sınıflandırmaya çalışırsınız. Ağ yanlış olduğunda, neden yanlış olduğunu kontrol edin (hedeften daha küçük veya daha büyük bir çıktı üretir) ve bu bilgileri, ağırlıkları daha yararlı bir yönde itmek için kullanırsınız.

Bunu tekrar tekrar yaparak, birçok veri noktası için, ağ tüm veri noktalarınızı doğru bir şekilde sınıflandırmayı ve umarım yeni veri noktalarını genelleştirmeyi öğrenir. temel fikir backpropagation algoritması, hata verilerini ağ üzerinden geriye doğru taşıyabilmeniz ve her katmanı son katmanda yaptığınız değişiklikler, böylece daha karmaşık anlayabilmeniz için birkaç katman derinliğinde ağlar oluşturmanıza izin verir. kalıpları.

Backprop 1974'te Geoffrey Hinton tarafından icat edildive sinir ağlarını tarihte ilk kez geniş uygulamalar için yararlı hale getirmenin kayda değer etkisi oldu. Önemsiz sinir ağları 50'li yıllardan beri var olmuştur ve başlangıçta mekanik, motorlu nöronlarla uygulanmıştır.

Backprop algoritması hakkında düşünmenin başka bir yolu, olası çözümlerin bir manzarası için bir kaşiftir. Her nöron ağırlığı, keşfedebileceği başka bir yöndür ve çoğu sinir ağı için bunlardan binlerce vardır. Ağ, hata bilgisini, hatayı azaltmak için hangi yöne ve ne kadar ilerlemesi gerektiğini görmek için kullanabilir.

Rastgele bir noktada başlar ve sürekli olarak hata pusulasına danışarak daha az hatanın yönü, sonunda en yakın vadinin dibine yerleşir: mümkün olan en iyi çözüm.

Öyleyse neden her şey için geri yayılım kullanmıyoruz? Backprop'un birkaç sorunu var.

En ciddi soruna ‘denir.yok olan gradyan problemi. ”Temel olarak, hata verilerini ağ üzerinden geri taşıdığınızda, her katmana geri döndüğünüzde daha az anlamlı hale gelir. Geri yayılımlı çok derin sinir ağları oluşturmaya çalışmak işe yaramaz, çünkü hata bilgi ağdaki alt düzeylere erişebilecek kadar derinlemesine nüfuz edemez. yararlı bir yol.

İkinci, daha az ciddi bir problem, sinir ağlarının sadece yerel optima: genellikle küçük bir vadiye yakalanırlar ve rastgele başlangıç ​​noktalarına yakın olmayan daha derin, daha iyi çözümleri özlerler. Peki, bu sorunları nasıl çözeriz?

Derin İnanç Ağları

Derin inanç ağları bu sorunların her ikisi için de bir çözümdür ve ağları inşa etme fikrine güvenirler. zaten sorunun yapısı hakkında fikir sahibi olmak ve daha sonra bu ağları geri yayılım. Bu derin bir öğrenme şeklidir ve hem Google hem de Microsoft tarafından ortak olarak kullanılan bir yöntemdir.

Teknik basittir ve “Sınırlı Boltzman Makinesi"Veya" RBM ", denetimsiz öğrenme olarak bilinen şeye dayanır.

Kısıtlı Boltzman Makineleri, kısaca, eğitim bilgilerine göre açıkça sınıflandırmaya çalışmak yerine, verdikleri verileri sıkıştırmaya çalışan ağlardır. RBM'ler bir veri noktası koleksiyonu alır ve bu veri noktalarını bellekten yeniden üretme yeteneklerine göre eğitilir.

RBM'yi kodlamasını istediğiniz tüm verilerin toplamından daha küçük yaparak, RBM'yi veriyi daha az alanda depolamak için verilerle ilgili yapısal düzenlilikler öğrenmeye zorlarsınız. Derin yapıların bu şekilde öğrenilmesi ağın genelleşmesini sağlar: Bir RBM'yi bin kedi görüntüsünü yeniden üretmek için eğitirseniz, yeni bir görüntü - ve ağın ne kadar enerjik bir sonuç haline geldiğine bakarak, yeni görüntünün bir kedi içerip içermediğini anlayabilirsiniz.

RBM'ler için öğrenme kuralları, beyin içindeki gerçek nöronların işlevine, diğer algoritmaların (backpagagation gibi) yapmadığı önemli yollarla benzemektedir. Sonuç olarak, araştırmacılara insan zihni nasıl çalışır Düşünme Makineleri: Sinirbilim ve Yapay Zekanın Bize Bilinç Hakkında Ne Öğretebilir?Yapay olarak zeki makineler ve yazılımlar oluşturmak bize bilincin işleyişi ve insan zihninin doğası hakkında bilgi verebilir mi? Daha fazla oku .

RBM'lerin bir başka düzgün özelliği de “yapıcı” olmalarıdır; ters, üst düzey bir özellikten geriye doğru çalışarak bunu içeren hayali girdiler oluşturmak özellik. Bu işleme “rüya” denir.

Peki bu neden derin öğrenme için faydalı? Boltzman Makinelerinin ciddi ölçeklendirme sorunları var - bunları ne kadar derin yapmaya çalışırsanız, ağı eğitmek o kadar uzun sürer.

Derin inanç ağlarının temel anlayışı, her biri selefinin çıktısında yapı bulmak için eğitilmiş iki katmanlı RBM'leri bir araya getirebilmenizdir. Bu hızlıdır ve verilerin karmaşık, soyut özelliklerini anlayabilen bir ağa yol açar.

Bir görüntü tanıma görevinde, ilk katman çizgileri ve köşeleri görmeyi öğrenebilir ve ikinci katman, gözler ve burunlar gibi özellikleri oluşturan bu çizgilerin kombinasyonlarını görmeyi öğrenebilir. Üçüncü katman bu özellikleri birleştirebilir ve bir yüzü tanımayı öğrenebilir. Bu ağı geri yayılmaya döndürerek, yalnızca ilgilendiğiniz kategorilerle ilgili özelliklere sahip olabilirsiniz.

Birçok yönden bu, backpropagation için basit bir çözümdür: çözmeye çalıştığı sorun hakkında bir grup bilgi ile başlayarak backprop "cheat" sağlar. Bu, ağın daha iyi minima'ya ulaşmasına yardımcı olur ve ağın en düşük düzeylerinin eğitilmesini ve faydalı bir şey yapmasını sağlar. Bu kadar.

Diğer taraftan, derin öğrenme yöntemleri makine öğrenme hızında ve metin yazılımında konuşmanın hızlı bir şekilde iyileştirilmesinden neredeyse tek başına sorumludur. son yıllar.

Canny Bilgisayarlar Yarışı

Tüm bunların neden faydalı olduğunu görebilirsiniz. Ağları ne kadar derin inşa ederseniz, ağın öğrenebileceği kavramlar o kadar büyük ve soyut olur.

Bir e-postanın spam olup olmadığını bilmek ister misiniz? Akıllı spam gönderenler için bu zor. E-postayı gerçekten okumalı ve arkasındaki amacın bazılarını anlamalısınız - gönderen ve alıcı arasında bir ilişki olup olmadığını görmeye çalışın ve alıcının niyetlerini çıkarın. Bunların çoğunu, bilgisayarın hiçbir şey bilmediği kavramları ve olayları tanımlayan renksiz harf dizelerine dayanarak yapmalısınız.

Kimseye soracak çok şey var.

İstenmeyen bir dilde spam tanımlamayı öğrenmeniz istendiyse, yalnızca bazı olumlu ve olumsuz örnekler verdiyseniz, çok kötü bir iş yaparsınız - ve bir insan beyniniz olur. Bir bilgisayar için, sorun çok yakın zamana kadar neredeyse imkansızdı. Bunlar derin öğrenmenin sahip olabileceği içgörü türleri ve inanılmaz derecede güçlü olacak.

Şu anda, Microsoft bu yarışı bir saçla kazanıyor. Uzun vadede? Herkes tahmin ediyor.

Resim Kredileri: “Bilgisayar AI“, Simon Liu tarafından,“Bullfrog“, Brunop tarafından,”Pusula Üstü“, Airguy1988 tarafından,“Ücretsizden Daha Özgür, ”Tarafından opensource.com