4 redenen om (nog) niet bang te zijn voor diep leren | Ben Dickson

In 2012 heeft een groep wetenschappers van de Universiteit van Toronto een doorbraak in beeldclassificatie bereikt.

Bij ImageNet, een jaarlijkse competitie voor kunstmatige intelligentie (AI) waarin deelnemers wedijveren om het meest nauwkeurige algoritme voor beeldclassificatie te creëren, debuteerde het Toronto-team AlexNet, "dat het veld versloeg met maar liefst 10, 8 procentpunt marge… 41 procent beter dan de volgende beste, "volgens Quartz.

Diep leren, de methode die het team gebruikte, was een radicale verbetering ten opzichte van eerdere benaderingen van AI en leidde tot een nieuw tijdperk van innovatie. Het heeft sindsdien zijn weg gevonden naar onderwijs, gezondheidszorg, cybersecurity, bordspellen en vertaling, en heeft miljarden dollars aan investeringen in Silicon Valley opgehaald.

Velen hebben deep learning en zijn superset, machine learning, geprezen als de algemene technologie van onze tijd en dieper dan elektriciteit en vuur. Anderen waarschuwen echter dat diep leren uiteindelijk de beste mensen bij elke taak zal zijn en de ultieme jobdoder zal worden. En de explosie van applicaties en diensten aangedreven door diepgaand leren heeft de angst voor een AI-apocalyps doen herleven, waarin superintelligente computers de planeet veroveren en mensen in slavernij of uitsterven drijven.

Maar ondanks de hype, heeft diep leren enkele tekortkomingen die kunnen verhinderen dat het een deel van zijn belofte waarmaakt - zowel positief als negatief.

Diep leren is te veel afhankelijk van gegevens

Diep leren en diepe neurale netwerken, waaruit de onderliggende structuur bestaat, worden vaak vergeleken met het menselijk brein. Maar onze geest kan concepten leren en beslissingen nemen met heel weinig gegevens; diep leren vereist tonnen monsters om de eenvoudigste taak uit te voeren.

In de kern is diep leren een complexe techniek die ingangen toewijst aan uitgangen door gemeenschappelijke patronen te vinden in gelabelde gegevens en de kennis te gebruiken om andere gegevensmonsters te categoriseren. Geef een diepgaande toepassing bijvoorbeeld voldoende foto's van katten en deze kan detecteren of een foto een kat bevat. Evenzo kan een spraakmakend algoritme, wanneer het voldoende geluidsvoorbeelden van verschillende woorden en zinnen opneemt, spraak herkennen en transcriberen.

Maar deze aanpak is alleen effectief als u veel kwaliteitsgegevens hebt om uw algoritmen te voeden. Anders kunnen diepgaande algoritmen wilde fouten maken (zoals een geweer voor een helikopter verwarren). Wanneer hun gegevens niet inclusief en divers zijn, vertonen diepgaande algoritmen zelfs racistisch en seksistisch gedrag.

Vertrouwen op gegevens veroorzaakt ook een centralisatieprobleem. Omdat ze toegang hebben tot grote hoeveelheden gegevens, zijn bedrijven zoals Google en Amazon beter in staat om zeer efficiënte deep-learning-applicaties te ontwikkelen dan startups met minder middelen. De centralisatie van AI in enkele bedrijven kan innovatie belemmeren en die bedrijven teveel controle geven over hun gebruikers.

Diep leren is niet flexibel

Mensen kunnen abstracte concepten leren en deze op verschillende situaties toepassen. We doen dit altijd. Wanneer u bijvoorbeeld voor het eerst een computerspel zoals Mario Bros. speelt, kunt u onmiddellijk kennis uit de echte wereld gebruiken, zoals de noodzaak om over kuilen te springen of vurige ballen te ontwijken. Je kunt je kennis van het spel vervolgens toepassen op andere versies van Mario, zoals Super Mario Odyssey, of andere spellen met vergelijkbare mechanismen, zoals Donkey Kong Country en Crash Bandicoot.

AI-toepassingen moeten echter alles vanaf nul leren. Een blik op hoe een diep lerend algoritme leert Mario te spelen, laat zien hoe anders het leerproces van een AI is dan dat van mensen. Het begint in wezen niets te weten over zijn omgeving en leert geleidelijk om te gaan met de verschillende elementen. Maar de kennis die het verkrijgt door Mario te spelen, dient alleen het smalle domein van die ene game en is niet overdraagbaar naar andere games, zelfs naar andere Mario-games.

Dit gebrek aan conceptueel en abstract begrip houdt diepgaande toepassingen gericht op beperkte taken en verhindert de ontwikkeling van algemene kunstmatige intelligentie, het soort AI dat intellectuele beslissingen kan nemen zoals mensen dat doen. Dat is niet noodzakelijk een zwakte; sommige experts beweren dat het creëren van algemene AI een zinloos doel is. Maar het is zeker een beperking in vergelijking met het menselijk brein.

Diep leren is ondoorzichtig

In tegenstelling tot traditionele software, waarvoor programmeurs de regels definiëren, maken deep-learning-applicaties hun eigen regels door testgegevens te verwerken en te analyseren. Bijgevolg weet niemand echt hoe ze tot conclusies en beslissingen komen. Zelfs de ontwikkelaars van deep learning-algoritmen zijn vaak perplex van de resultaten van hun creaties.

Dit gebrek aan transparantie kan een belangrijke hindernis zijn voor AI en diepgaand leren, aangezien de technologie zijn plaats probeert te vinden in gevoelige domeinen zoals patiëntenbehandeling, wetshandhaving en zelfrijdende auto's. Diepgaande algoritmen zijn misschien minder vatbaar voor fouten dan mensen, maar als ze fouten maken, moeten de redenen voor die fouten worden verklaard. Als we niet kunnen begrijpen hoe onze AI-applicaties werken, zullen we ze niet kunnen vertrouwen met kritieke taken.

Diep leren kan overhyped raken

Diep leren heeft op vele gebieden al zijn waarde bewezen en zal de manier waarop we dingen doen blijven transformeren. Ondanks zijn tekortkomingen en beperkingen heeft diep leren ons niet in de steek gelaten. Maar we moeten onze verwachtingen aanpassen.

Zoals AI-wetenschapper Gary Marcus waarschuwt, kan overhyping van de technologie leiden tot een nieuwe "AI-winter" - een periode waarin te hoge verwachtingen en onderprestaties leiden tot algemene teleurstelling en gebrek aan interesse.

Marcus suggereert dat diep leren geen 'universeel oplosmiddel is, maar een van de vele', wat betekent dat we, terwijl we de mogelijkheden van diep leren blijven verkennen, ook moeten kijken naar andere, fundamenteel verschillende benaderingen voor het maken van AI-toepassingen.

Zelfs professor Geoffrey Hinton, die pionier was in het werk dat tot de diepgaande revolutie heeft geleid, is van mening dat waarschijnlijk volledig nieuwe methoden moeten worden uitgevonden. "De toekomst hangt af van een afgestudeerde student die diep achterdochtig is over alles wat ik heb gezegd, " vertelde hij Axios.