Хабрахабр

[Перевод] Революцию в ИИ произведут не дроиды, а тостеры

Или наши цифровые помощники будут больше походить на специализированные гаджеты – то есть, это будет не разговорчивый шеф-повар, а кухня, набитая бытовой техникой? Будут ли интеллектуальные алгоритмы будущего походить на роботов общего назначения, так же хорошо справляющихся с непринуждённой беседой и чтением карт, как с кухонными задачами?

Приведённый ниже рецепт был создан искусственной нейросетью – таким типом искусственного интеллекта, который обучается на примерах. Если алгоритм пытается сделать слишком многое, у него начинаются проблемы. Результат получился, скажем так, неортодоксальным.
Этот алгоритм тщательно изучил порядка 30 000 кулинарных рецептов, от супов и пирогов до барбекю, а затем попробовал выдать собственный рецепт.

Куриная паста с рисом

2 фунта очищенных сердец
1 чашка порезанной свежей мяты или малинового пирога
1/2 чашки тёртых катримас
1 столовая ложка растительного масла
1 соль
1 перец
2 1/2 столовых ложки сахара

Добавьте яйца, сахар, мёд, семена тмина, и готовьте на небольшом огне. Смешайте без листьев и помешивайте, пока смесь не станет густой. Добавляйте сливки по нагреванию. Добавьте кукурузный сироп, орегано, розмарин и белый перец. Готовьте на 350 °F от 2 до 1 часа. Готовьте добавить оставшуюся чайную ложку разрыхлителя и соли. Подавайте горячим.

На 6 порций.

А вот пример рецепта, созданного тем же алгоритмом, но только вместо того, чтобы изучать все рецепты подряд, он тренировался только на тортах. Рецепт неидеален, но гораздо лучше предыдущего.

Морковный пирог

1 упаковка жёлтой смеси для кекса
3 чашки муки
1 чайная ложка разрыхлителя
1 1/2 чайной ложки соды
1/4 чайной ложки соли
1 чайная ложка корицы
1 чайная ложка имбиря
1/2 чайной ложки гвоздики
1 чайная ложка разрыхлителя
1/4 чайной ложки соли
1 чайная ложка ванили
1 яйцо комнатной температуры
1 чашка сахара
1 чайная ложка ванили
1 чашка нарезанных пеканов

Смажьте 9-дюймовый противень. Разогрейте духовку до 350 градусов.

Отставьте в сторону. Быстро взбивайте яйца до тёмно-жёлтого цвета. Ускорить первую смесь в подготовленную форму и размягчить масло. В отдельной чашке взбейте белки до твёрдости. Охлаждать в форме 10 минут. Выпекать в духовке 40 минут, до тех пор, пока зубочистка, вставленная в центр пирога, не останется чистой. Поставить на проволочную подставку до охлаждения.

Подавать тёплым. Вынуть пирог из формы до полного охлаждения.

На 16 порций.

Конечно, если внимательнее посмотреть на инструкцию, станет видно, что на выходе вы получите только испечённый желток яйца. Но это всё равно улучшение. Когда ИИ разрешили ограничиться определённой специализацией, просто уменьшилось количество того, за чем нужно следить. Ему не приходилось выбирать, когда использовать шоколад, а когда – картошку, когда печь, а когда вываривать. Если первый алгоритм пытался быть волшебным ящиком, способным выдавать рис, мороженое и пироги, то второй пытался быть чем-то, напоминающим тостер – специализированным устройством для одной задачи.

Это может показаться не интуитивным, поскольку ИИ в западной фантастике больше напоминают C-3PO из «Звёздных войн» или WALL-E из одноимённого фильма. Разработчики, занимающиеся тренировкой алгоритмов машинного обучения, обнаружили, что часто имеет смысл создавать тостеры вместо волшебных ящиков. Однако многие компании незаметно – и успешно – используют машинное обучение для достижения гораздо более ограниченных целей. Это примеры искусственного интеллекта общего назначения (ИИОН), автоматов, способных взаимодействовать с миром, как люди, и выполнять множество разных задач. Другой может выдавать предсказания по поводу того, что хочет обсудить звонящий клиент, и демонстрировать эти предсказания на экране для человека, отвечающего на звонок. Одним алгоритмом может быть бот для чата, обслуживающий ограниченное количество базовых вопросов клиентов по поводу счёта за телефон. С другой стороны, Facebook недавно отправил на пенсию своего бота для чатов «М», который так и не сумел справиться с бронированием отелей, покупкой билетов в театр, и прочим. Это примеры искусственного интеллекта узкой специализации (ИИУС) – ограниченного совсем небольшим набором функций.

К примеру, есть алгоритм, натренированный выдавать картинки на основании описания. Причина того, что у нас есть ИИУС вместо ИИОН уровня WALL-E заключается в том, что любой алгоритм, пытающийся обобщать задачи, начинает хуже справляться с теми задачами, что ему дают. Когда его тренировали на наборе данных, состоявшем исключительно из птиц, он справился довольно неплохо (без учёта странного рога): Он пытается создать картинку из текста: «это жёлтая птица с чёрными пятнами на голове и очень коротким клювом».

Вот результат попытки нарисовать «изображение девушки, которая ест кусок пиццы»: Но когда ему поручали создать что угодно, от знаков «стоп» и лодок до коров и людей, ему приходилось тяжело.

Но умственные возможности наших сегодняшних алгоритмов весьма ограничены по сравнению с человеческим мозгом, и каждая новая задача ещё сильнее их загружает. Мы не привыкли думать о том, что между алгоритмом, хорошо делающим что-то одно, и алгоритмом, хорошо делающим много чего, существует такой огромный разрыв. Но после этого в нём можно мало чего ещё делать. Представьте себе бытовое устройство размером с тостер: легко сделать в нём пару щелей, установить нагревающиеся катушки, и жарить хлеб. Если попытаться добавить туда рисоварку и мороженщицу, придётся отказаться, по меньшей мере, от щелей, и такое устройство, вероятно, мало что вообще сможет делать хорошо.

Один – передаваемое обучение: натренируйте алгоритм работать с одной задачей, и он научится выполнять другую, близко связанную с этой задачу, после минимальной перетренировки. Программисты используют разные трюки, чтобы выжать из ИИУС алгоритмов максимальную отдачу. Алгоритм, научившийся распознавать животных, уже собрал много информации, касающейся определения контуров и анализа текстуры, которые можно перенести в задачу по определению фруктов. Люди используют передаваемое обучение для тренировки алгоритмов, распознающих изображения. Но при перетренировке алгоритма на распознавание фруктов алгоритм подвергнется «катастрофическому забыванию», то есть, уже не будет помнить о том, как определять животных.

Вместо того, чтобы превращаться в единый алгоритм, способный решить любую проблему, ИИ в будущем, скорее всего, будут представлять собой сборки высокоспециализированных инструментов. Ещё один фокус сегодняшних алгоритмов – модульность. Взаимосвязанные модули смогут обеспечить избыточность для предотвращения отказов, и механизм голосования за наилучшее решение проблемы на основе различных подходов. Алгоритм, научившийся играть в Doom, будет обладать раздельной системой для компьютерного зрения, управления и памяти. Обычно довольно сложно понять, как конкретный алгоритм принимает решения, но если решение было принято через взаимодействие алгоритмов, мы сможем изучить выход каждого из них. Может появиться способ обнаруживать и исправлять ошибки алгоритмов.

Вместо этого мы можем представить себе что-то вроде смартфона, полного всяких приложений, или кухонной столешницы, заставленной гаджетами. Наверно, мы не должны представлять себе алгоритмы далёкого будущего в виде WALL-E и C-3PO. Готовясь к миру, заполненному алгоритмами, необходимо удостовериться в том, что мы планируем встретиться не с думающими волшебными ящиками общего назначения, которые могут никогда не появиться, а с высокоспециализированными тостерами.

Теги
Показать больше

Похожие статьи

Добавить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *

Кнопка «Наверх»
Закрыть