¿Qué pasa si dejas desatendida la inteligencia artificial?

IA independiente

Aunque ya es una mala forma, por mencionar la coincidencia del año pasado con Alpha Go y una persona en el primer párrafo, comencemos con este ejemplo. Él está interesado en nosotros porque este es quizás el primer caso adecuado de "IA de autoaprendizaje". Hay muchos otros ejemplos, pero hasta el día de hoy no han abandonado los laboratorios y, en general, son desconocidos para el público en general. En el núcleo del autoestudio de AlphaGo se encontraban las muchas horas de juegos con uno mismo, más el estudio de los juegos jugados.

Este concurso de hombre y automóvil atrajo la atención de todas las publicaciones importantes. Yo, como siempre, frené y no tuve tiempo para este magnífico memorándum del periodismo moderno. Pero la “confrontación del siglo” es interesante no solo por la exageración que la rodea (un millón de dólares en premios, otorgando un honorable 9º dan en el juego de go, un avance científico del año según Science) y un sabor distintivo de la ficción de Azimov. La esencia de la acción en breve: la máquina de juego AlphaGo dominó y ganó 4 de 5 partidos en el tradicional juego oriental de go. Ella ganó no en un jugador de primer rango, sino en un profesional de Corea 9 dan Lee Sedol (2do lugar en la clasificación internacional). Los expertos dicen que este caso no parece una batalla de ajedrez en una computadora y en Garry Kasparov, porque en 1997 la computadora fue entrenada bajo la supervisión de jugadores de ajedrez, quienes también escribieron estrategias y lo entrenaron. Para entrenar al jugador-jugador AlphaGo, se utilizó el método de fuerza bruta (la máquina vio una muestra de cientos de miles de participantes) que se asemejaba remotamente a los modelos científicos en funcionamiento conocidos popularmente como GANs (redes de confrontación generativas). Son de particular interés, porque los representantes del equipo de AlphaGo se han enfrentado a estas redes neuronales competitivas. Los consideraremos en este artículo.

Este enfoque de la formación de inteligencia artificial ya no es una novedad: las redes de la competencia generativa o simplemente las GAN aparecieron por primera vez en 2014 con la ayuda de Ian Goodfellow. Los GAN funcionan de manera muy simple: como un paquete de abogados-abogados, como un buen policía o un crítico-autor. Una red (discriminador, D) clasifica, marca los datos entrantes como falsos o verdaderos. Una red competidora (generador, G) estudia las estimaciones del discriminador y puede crear nuevos datos basados ​​en estas estimaciones. Estas redes neuronales se enseñan mutuamente. Y, lo que es más interesante, las GAN necesitan muestras muy pequeñas de información de entrenamiento: solo se necesitan unos cientos de imágenes y tres o cuatro rondas de repeticiones para que el generador comience a producir sus propias versiones de las imágenes originales (antes de que el proceso de aprendizaje de las redes neuronales requiriera muchas horas y millones de muestras).

Uno de los más interesados ​​en los modelos GAN de AI fue Facebook, que incluso se apresuró a publicar una publicación al respecto. ¿Por qué Facebook? Porque es el jugador más público en el mercado de alta tecnología, tanto Google como Amazon, y Microsoft están comprando masivamente equipos y startups en inteligencia artificial para hacer sus propios desarrollos. Pero están un poco por detrás de Facebook, que tiene una gran muestra de entrenamiento para el entrenamiento de IA en imágenes (la visión por computadora es uno de los métodos de entrenamiento de AI más populares) y un excelente equipo FAIR (grupo de investigación de inteligencia artificial de Facebook).

Resumen: la red discriminadora aprende a distinguir fotos reales de fotos generadas por computadora, y el generador de red entrena para crear fotografías realistas que no se distinguen del original. En esta carrera de entrenamiento, ambas redes tienen iguales (?) Posibilidades de éxito. ¿Qué pasará cuando completen su entrenamiento?

Caída de tendencia

En los últimos años, el aprendizaje automático está experimentando solo una edad de oro: el aumento del poder de las computadoras, el acceso instantáneo a grandes conjuntos de datos hacen que esta área sea muy caliente. Hoy en día, AI es un automóvil de Ford a principios del siglo pasado o satélites espaciales en los años 60: un apuro general, predicciones vertiginosas y una comprensión débil de qué hacer con toda esta riqueza. A continuación se muestran ejemplos de las últimas tecnologías de alto perfil en el campo de la IA.

One-shot learning es la capacitación de redes neuronales en una pequeña cantidad de datos, idealmente con un solo ejemplo y una pequeña muestra para capacitación. Cada vez más startups están trabajando en IA de rápido aprendizaje.

Por lo tanto, el algoritmo del juego DeepStack no repitió el destino de Alpha Go, pero estuvo muy cerca del entrenamiento exitoso en muestras pequeñas. A fines de 2016, DeepStack llevó a cabo una serie de juegos de póker de Texas con 11 jugadores de la organización internacional de póker. El algoritmo tomó 3000 combinaciones con cada jugador para mostrar resultados decentes: victorias seguras (promedio de 396 puntos) sobre diez jugadores y una victoria cercana sobre el undécimo (70 puntos, precisión estadística). El algoritmo no solo se aprendió en el proceso de los juegos, sino que se utilizó el método de resolución (adaptación a cada nuevo jugador y cada nueva combinación de cartas). DeepStack es el resultado de compartir redes neuronales y GAN recursivas profundas.

El proyecto de red neuronal Microsoft ResNet se utiliza para el reconocimiento de imágenes. Si captura el trabajo de la red neuronal mientras ordena y reconoce las imágenes, obtendrá estas imágenes:

Dirección de perspectiva en ciencia forense y fotografía, Envejecimiento del rostro con GAN: un par de discriminador-generador después de un entrenamiento en 5,000 fotografías de rostros humanos de diferentes edades que pueden reproducirse, predicen cambios en individuos con la edad. Si el generador reproduce una persona mayor, el discriminador determina en qué medida el resultado coincide con el original.

Los comerciantes del Rey de Goldman Sachs reemplazaron a algunos de sus comerciantes con algoritmos. El lugar de 600 comerciantes ordinarios ahora está ocupado por 200 desarrolladores e ingenieros que admiten algoritmos de negociación. Esto está asociado con un gran plan de administración bancaria (146 puntos) para automatizar operaciones de corretaje simples. Los operadores con amplia experiencia y vendedores experimentados no se verán afectados por esto.

Aunque en algunos fondos de cobertura (Sentient Technologies inc., Numerai, Emma hedge fund), los algoritmos de trader basados ​​en AI ya hacen todo el trabajo de análisis y resultados de previsión. Por lo general, los especialistas en inteligencia artificial no están entusiasmados con el trabajo para las corporaciones financieras, pero los beneficios de los grandes conjuntos de datos y las oportunidades para capacitar a la IA son mayores que el escepticismo y la falta de voluntad para trabajar para los capitalistas Molochs. 2016 fue el año de nacimiento de varios fondos de cobertura a la vez, en los que se intercambia inteligencia artificial.

El gemelo chino "Google" Baidu tampoco duerme. La mayoría de los desarrollos chinos en el campo de la IA, el aprendizaje automático se distribuyen de forma gratuita y cualquiera puede probarlos y estudiarlos. En enero de 2017, se abrió un laboratorio de realidad artificial en Beijing, donde Andrew Eun quiere hacerse amigo de la realidad virtual y el trabajo de los motores de búsqueda.

Otro desarrollo prometedor de Baidu es el bot médico Melody, que puede realizar una encuesta primaria de pacientes y amenaza con reemplazar todo el departamento de registro en policlínicos.

Democratización de la IA: en la actualidad, los investigadores necesitan grandes cantidades de información y poder informático, por lo que ahora solo las grandes empresas y los institutos de investigación son competitivos en el campo de la IA. Tan pronto como aparezcan los modelos de IA que sean capaces de estudiar en pequeñas cantidades de información, será aún más interesante, porque aún más personas podrán entrenar y explorar la IA. Tal vez haya redes sociales (ya) donde las personas puedan compartir el progreso en la capacitación de sus agentes de inteligencia artificial.

La distribución recibirá mecanismos para la detección automática de noticias falsas, fotos, videos. El desarrollo de IBR (representación basada en imágenes), una tecnología que permite dibujar nuevos marcos basados ​​en los existentes (algo similar a los métodos ya implementados entre la interpolación o la interpolación de movimiento), simplemente requiere la aparición de dicho analizador falso.

Otro hola de la fraterna China es el desarrollo del reconocimiento facial Face ++, que te permite pagar con tu cara (es difícil contar cuántas capas hay en este juego de palabras). La prueba del desarrollo se basa en el sistema de pago móvil Alipay: ahora puede realizar pagos proporcionando solo su propia cara.

En el ámbito del reconocimiento y la reproducción de voz, varios casos son de interés: Presentación de Adobe Voco (Conversión de voz) "Photoshop for voice": una aplicación para Adobe Audition que manipula la muestra original del habla humana, agrega nuevas palabras y significados al mensaje original. Ahora, la ventriloquización adquiere nuevos significados.

Un buen ejemplo de cómo un investigador independiente puede enseñar idiomas de IA es:

El programa enseña inglés:

El programa enseña japonés:

¿Y qué pasará si dejas la IA desatendida? Estudiará sin parar y se volverá más y más perfecto, por ejemplo, en la música:

Mashup algorítmico o Stravinsky artificial

En lugar de conclusiones: cuando escucho que los jóvenes con un MBA están haciendo startups de inteligencia artificial, mi mano alcanza el mouse. Si consideramos la cantidad de software libre y computadoras poderosas disponibles para la gente común en la actualidad, entonces la moda en IA no debería ser sorprendente. A pesar del HYIP en torno a la inteligencia artificial y el aprendizaje automático, las predicciones asombrosas y los trucos infantiles como Rocket AI, a pesar de todos los avances en esta área, a la IA difícilmente se le puede llamar inteligencia en la definición exacta de esta palabra ("gente, gente en todas partes": todos trabajan en el desarrollo y el apoyo La inteligencia artificial ahora la realizan personas, la IA ni siquiera puede llamarse a sí misma, solo dice lo que los científicos han invertido en ella. La mayoría de los servicios que operan sobre la base de la inteligencia artificial aún son compatibles con los desarrolladores, solo podemos hablar de una pequeña fracción de la automatización de las máquinas inteligentes. Hasta ahora, la inteligencia artificial solo repite y reproduce información educativa o laboral; sí, sorprende con la potencia de cálculo y la velocidad de aprendizaje, pero eso es todo. Es demasiado pronto para hablar de algo similar a la actividad nerviosa superior humana. "Sí, y no necesariamente", diría Larry Niven *.

Actualización 02.23.17: Facebook lanzó el proyecto Prophet, una herramienta automática de pronóstico de negocios. Prophet utiliza modelos de análisis de regresión aditivos sin parámetros para sus predicciones.

Basado en el podcast con Ian Goodfellow y Richard Mallah.

* "Hay mentes que piensan diferente". Ley del 15 de Niven *. - "Hay mentes que piensan de la misma manera que tú. Sólo de una manera diferente". 15 Ley de Niven.

Deja Tu Comentario