Wat is machine learning?

In december 2017 introduceerde DeepMind, het onderzoekslaboratorium dat in 2014 door Google werd overgenomen, AlphaZero, een programma voor kunstmatige intelligentie dat wereldkampioenen bij verschillende bordspellen kon verslaan.

Interessant is dat AlphaZero geen instructies van mensen ontving over het spelen van de spellen (vandaar de naam). In plaats daarvan gebruikte het machine learning, een tak van AI die zijn gedrag ontwikkelt door ervaring in plaats van expliciete opdrachten.

Binnen 24 uur behaalde AlphaZero bovenmenselijke prestaties bij het schaken en versloeg het vorige wereldkampioen schaken. Kort daarna beheerste AlphaZero's machine-learning algoritme ook Shogi (Japans schaken) en het Chinese bordspel Go, en het versloeg zijn voorganger, AlphaGo, 100 tot nul.

Machine learning is de afgelopen jaren populair geworden en helpt computers bij het oplossen van problemen die voorheen als het exclusieve domein van menselijke intelligentie werden beschouwd. En hoewel het nog ver verwijderd is van de oorspronkelijke visie op kunstmatige intelligentie, heeft machine learning ons veel dichter bij het uiteindelijke doel van het creëren van denkmachines gebracht.

Wat is het verschil tussen kunstmatige intelligentie en machinaal leren?

Traditionele benaderingen voor het ontwikkelen van kunstmatige intelligentie omvatten het zorgvuldig coderen van alle regels en kennis die het gedrag van een AI-agent definiëren. Bij het maken van op regels gebaseerde AI moeten ontwikkelaars instructies schrijven die specificeren hoe de AI zich moet gedragen in reactie op elke mogelijke situatie. Deze op regels gebaseerde benadering, ook bekend als goede ouderwetse AI (GOFAI) of symbolische AI, probeert de redenering en kennisrepresentatiefuncties van de menselijke geest na te bootsen.

Een perfect voorbeeld van symbolische AI ​​is Stockfish, een top-open, open-source schaakmachine van meer dan 10 jaar in de maak. Honderden programmeurs en schakers hebben bijgedragen aan Stockfish en geholpen bij het ontwikkelen van de logica door de regels ervan te coderen, bijvoorbeeld wat de AI zou moeten doen wanneer de tegenstander zijn ridder van B1 naar C3 verplaatst.

Maar op regels gebaseerde AI breekt vaak wanneer het gaat om situaties waarin de regels te complex en impliciet zijn. Het herkennen van spraak en objecten in afbeeldingen zijn bijvoorbeeld geavanceerde bewerkingen die niet in logische regels kunnen worden uitgedrukt.

In tegenstelling tot symbolische AI, worden machine-learning AI-modellen niet ontwikkeld door regels te schrijven, maar door voorbeelden te verzamelen. Om bijvoorbeeld een machine learning-gebaseerde schaakmotor te maken, maakt een ontwikkelaar een basisalgoritme en "traint" dit vervolgens met gegevens van duizenden eerder gespeelde schaakspellen. Door de gegevens te analyseren, vindt de AI gemeenschappelijke patronen die winnende strategieën definiëren, die het kan gebruiken om echte tegenstanders te verslaan.

Hoe meer spellen de AI beoordeelt, hoe beter het wordt om winnende zetten tijdens het spelen te voorspellen. Daarom wordt machine learning gedefinieerd als een programma waarvan de prestaties met de ervaring verbeteren.

Machine learning is van toepassing op vele taken uit de praktijk, waaronder beeldclassificatie, spraakherkenning, inhoudsaanbeveling, fraudedetectie en natuurlijke taalverwerking.

Begeleid en ongecontroleerd leren

Afhankelijk van het probleem dat ze willen oplossen, bereiden ontwikkelaars relevante gegevens voor om hun machine-learning model te bouwen. Als ze bijvoorbeeld machine learning wilden gebruiken om frauduleuze banktransacties te detecteren, zouden ontwikkelaars een lijst van bestaande transacties samenstellen en deze labelen met hun uitkomst (frauduleus of geldig). Wanneer ze de gegevens naar het algoritme voeren, worden de frauduleuze en geldige transacties gescheiden en worden de gemeenschappelijke kenmerken binnen elk van de twee klassen gevonden. Het proces van trainingsmodellen met geannoteerde gegevens wordt "begeleid leren" genoemd en is momenteel de dominante vorm van machine learning.

Veel online opslagplaatsen met gelabelde gegevens voor verschillende taken bestaan ​​al. Enkele populaire voorbeelden zijn ImageNet, een open-source dataset van meer dan 14 miljoen gelabelde afbeeldingen, en MNIST, een dataset van 60.000 gelabelde handgeschreven cijfers. Ontwikkelaars voor machine learning gebruiken ook platforms zoals Amazon's Mechanical Turk, een online, on-demand wervingscentrum voor het uitvoeren van cognitieve taken zoals het labelen van afbeeldingen en audiomonsters. En een groeiende sector startups is gespecialiseerd in gegevensaantekeningen.

Maar niet alle problemen vereisen gelabelde gegevens. Sommige problemen met machine learning kunnen worden opgelost door "onbewaakt leren", waarbij u het AI-model voorziet van onbewerkte gegevens en het zelf laat uitzoeken welke patronen relevant zijn.

Een veelgebruikt gebruik van niet-gecontroleerd leren is anomaliedetectie. Een machine learning-algoritme kan bijvoorbeeld trainen op de onbewerkte netwerkverkeersgegevens van een apparaat dat op internet is aangesloten, bijvoorbeeld een slimme koelkast. Na de training stelt de AI een basislijn voor het apparaat vast en kan deze het gedrag van de uitbijter markeren. Als het apparaat wordt geïnfecteerd met malware en begint te communiceren met kwaadaardige servers, kan het model voor machinaal leren het detecteren, omdat het netwerkverkeer anders is dan het normale gedrag dat tijdens de training wordt waargenomen.

Versterking leren

Inmiddels weet u waarschijnlijk dat kwaliteitsvolle trainingsgegevens een grote rol spelen in de efficiëntie van machine learning-modellen. Maar versterkingsleren is een gespecialiseerde vorm van machinaal leren waarbij een AI zijn gedrag ontwikkelt zonder eerdere gegevens te gebruiken.

Versterkende leermodellen beginnen met een schone lei. Ze krijgen alleen instructies over de basisregels van hun omgeving en de taak die ze moeten uitvoeren. Door vallen en opstaan ​​leren ze hun acties te optimaliseren voor hun doelen.

DeepMind's AlphaZero is een interessant voorbeeld van versterkingsleren. In tegenstelling tot andere machine-learningmodellen, die moeten zien hoe mensen schaken en van hen leren, begon AlphaZero alleen de bewegingen van de stukken en de winomstandigheden van de game te kennen. Daarna speelde het miljoenen wedstrijden tegen zichzelf, beginnend met willekeurige acties en geleidelijk aan het ontwikkelen van gedragspatronen.

Leren van versterking is een hot gebied van onderzoek. Het is de belangrijkste technologie die wordt gebruikt om AI-modellen te ontwikkelen die complexe games zoals Dota 2 en StarCraft 2 kunnen beheersen en wordt ook gebruikt om echte problemen op te lossen, zoals het beheren van datacenterresources en het creëren van robothanden die objecten met een menselijke behendigheid aankunnen.

Diep leren

Diep leren is een andere populaire subset van machine learning. Het maakt gebruik van kunstmatige neurale netwerken, softwareconstructies die grofweg zijn geïnspireerd door de biologische structuur van het menselijk brein.

Neurale netwerken blinken uit in het verwerken van ongestructureerde gegevens zoals afbeeldingen, video, audio en lange fragmenten van tekst zoals artikelen en onderzoeksrapporten. Vóór diep leren moesten experts op het gebied van machine learning veel moeite doen om functies uit afbeeldingen en video's te extraheren en daar bovenop hun algoritmen uitvoeren. Neurale netwerken detecteren die functies automatisch zonder veel inspanning van menselijke ingenieurs.

Diep leren zit achter veel moderne AI-technologieën zoals auto's zonder bestuurder, geavanceerde vertaalsystemen en de gezichtsherkenningstechnologie in uw iPhone X.

De grenzen van machinaal leren

Mensen verwarren machine learning vaak met kunstmatige intelligentie op menselijk niveau, en de marketingafdelingen van sommige bedrijven gebruiken de termen opzettelijk door elkaar. Maar hoewel machine learning grote stappen heeft gezet in de richting van het oplossen van complexe problemen, is het nog ver verwijderd van de denkmachines die de pioniers van AI voor ogen hadden.

Naast het leren van ervaringen, vereist ware intelligentie redenering, gezond verstand en abstract denken - gebieden waarop modellen voor machine learning zeer slecht presteren.

Hoewel machine learning bijvoorbeeld goed is in gecompliceerde patroonherkenningstaken zoals het vijf jaar van tevoren voorspellen van borstkanker, worstelt het met eenvoudiger logica en redeneertaken zoals het oplossen van wiskundige problemen op de middelbare school.

Het gebrek aan redeneervermogen van machine learning maakt het slecht in het generaliseren van zijn kennis. Een machine-learning agent die bijvoorbeeld Super Mario 3 als een professional kan spelen, zal een ander platformspel, zoals Mega Man, of zelfs een andere versie van Super Mario niet domineren. Het zou opnieuw moeten worden getraind.

Zonder de kracht om conceptuele kennis uit ervaring te halen, hebben machine-learningmodellen tonnen trainingsgegevens nodig om te presteren. Helaas missen veel domeinen voldoende trainingsgegevens of hebben ze niet het geld om meer te verwerven. Diep leren, dat nu de meest voorkomende vorm van machinaal leren is, lijdt ook aan een verklaarbaar probleem: neurale netwerken werken op gecompliceerde manieren, en zelfs hun makers hebben moeite om hun besluitvormingsprocessen te volgen. Dit maakt het moeilijk om de kracht van neurale netwerken te gebruiken in instellingen waar er een wettelijke vereiste is om AI-beslissingen uit te leggen.

Gelukkig worden er inspanningen gedaan om de grenzen van machine learning te overwinnen. Een opmerkelijk voorbeeld is een wijdverbreid initiatief van DARPA, de onderzoekstak van het ministerie van Defensie, om verklaarbare AI-modellen te maken.

• Wat is kunstmatige intelligentie (AI)? Wat is kunstmatige intelligentie (AI)?
• De meeste AI-dollars gaan naar Machine Learning De meeste AI-dollars gaan naar Machine Learning
• Hoe wilt u AI gebruikt zien? Hoe wilt u AI gebruikt zien?

Andere projecten hebben als doel om de afhankelijkheid van machine learning van geannoteerde gegevens te verminderen en de technologie toegankelijk te maken voor domeinen met beperkte trainingsgegevens. Onderzoekers van IBM en MIT hebben onlangs hun intrede gedaan in het veld door symbolische AI ​​te combineren met neurale netwerken. Hybride AI-modellen hebben minder gegevens nodig voor training en kunnen stap voor stap uitleg geven over hun beslissingen.

Of de evolutie van machine learning ons uiteindelijk zal helpen het altijd ongrijpbare doel van het creëren van AI op menselijk niveau te bereiken, valt nog te bezien. Maar wat we zeker weten, is dat dankzij de vooruitgang in machine learning, de apparaten die op onze bureaus zitten en in onze zakken rusten, elke dag slimmer worden.