Nul
Critici van de huidige stand van kunstmatige intelligentie technologie harder zijn gegroeid in de laatste paar jaar, en deze week, Google, één van de grootste commerciële begunstigden van de huidige vogue, aangeboden een reactie, als, misschien, niet met een antwoord aan de critici.
In een artikel gepubliceerd door de Google Hersenen en de Diepe Gedachten eenheden van Google, onderzoekers adres tekortkomingen van het gebied en bieden een aantal technieken hopen ze zal brengen machine learning verder langs het pad naar het wat zou worden “kunstmatige algemene intelligentie,” iets meer als menselijke redenering.
Het onderzoek bevestigt dat de huidige “deep learning” benaderingen van AI hebben gefaald in het bereiken van de mogelijkheid om zelfs benadering van de menselijke cognitieve vaardigheden. Zonder het dumpen van dat alles is bereikt met dingen zoals “convolutional neurale netwerken”, of CNNs, de stralende succes van machine learning, stellen ze manieren bij te brengen bredere redeneervermogen.
Ook: Google Hersenen, Microsoft peilen de mysteries van netwerken met AI
Het papier, “Relationele inductieve vooroordelen, diep leren, en de grafiek van netwerken,” gepost op het arXiv pre-print service, is geschreven door Peter W. Battaglia ‘s van Google DeepMind eenheid, samen met de collega’ s van Google Hersenen, MIT en de Universiteit van Edinburgh. Het stelt het gebruik van een netwerk “grafieken” als een middel om beter te generaliseren van het ene exemplaar van een probleem naar het andere.
Battaglia en collega ‘ s, het aanroepen van hun werk “een deel position paper, deel te beoordelen, en een deel van de hereniging,” let op dat AI “heeft ondergaan, een renaissance onlangs, met” dank “goedkope gegevens en goedkope compute resources.”
Echter, de “vele kenmerken van de menselijke intelligentie, die ontwikkeld zijn in veel verschillende drukken, blijven buiten het bereik van de huidige aanpak,” name “generaliseren dan je eigen ervaringen.”
Vandaar, ‘ Een enorme kloof tussen de mens en de machine-intelligentie blijft, vooral met betrekking tot efficiënt, generalizable leren.”
De auteurs noemen een aantal prominente critici van de AI, zoals NYU professor Gary Marcus.
In reactie, ze pleiten voor “het mengen van krachtige diepe benaderingen met gestructureerde representaties,” en hun oplossing is wat we noemen een “grafiek netwerk.” Dit zijn de modellen van verzamelingen van objecten of entiteiten, waarvan de relaties expliciet zijn toegewezen als “randen” aansluiten van de objecten.
“De menselijke cognitie maakt het sterke vermoeden dat de wereld bestaat uit objecten en relaties,” schrijven ze, “en omdat GNs [grafiek netwerken] een soortgelijke veronderstelling, hun gedrag heeft de neiging om meer interpretable.”
Ook: Google Naast 2018: Een diepere duik op AI en machine learning voorschotten
Het papier expliciet baseert zich op het werk voor meer dan een decennium nu op “grafiek van neurale netwerken.” Ook echo ‘ s van enkele van de recente interesse van de Google Hersenen van mensen in het gebruik van neurale netwerken om erachter te komen netwerkstructuur.
Maar in tegenstelling tot eerder werk, de auteurs maken de verrassende stelling dat hun werk niet hoeft te gebruiken, neurale netwerken, per se.
Integendeel, het modelleren van de relaties van objecten is iets dat niet alleen uitstrekt over alle van de verschillende machine-leren-modellen — CNNs, recurrente neurale netwerken (RNNs), lange-korte-termijn-geheugen (LSTM) systemen, enz. — maar ook andere benaderingen die niet neurale netwerken, zoals set-theorie.
De Google AI onderzoekers reden dat veel dingen die men zou willen zijn in staat om te redeneren over de grote lijnen — deeltjes, zinnen, de objecten in een afbeelding — naar beneden komen om de grafieken van de relaties tussen entiteiten.
Google Hersenen, Diepe Gedachten, MIT, de Universiteit van Edinburgh.
Het idee is dat de grafiek netwerken die groter zijn dan een machine-learning aanpak. Grafieken brengen een vermogen om te generaliseren over de structuur die de individuele neurale netwerken niet hebben.
De auteurs schrijven, “Grafieken, over het algemeen, zijn een representatie die ondersteunt willekeurige (paarsgewijze) relationele structuur, en de berekeningen over grafieken veroorloven een sterke relationele inductieve bias dan die convolutional en terugkerende lagen kunnen bieden.”
Een voordeel van de grafieken lijkt ook te worden dat ze potentieel meer “monster efficiënte,” wat betekent dat, ze niet nodig hebben zo veel ruwe gegevens als strikt neurale net benaderingen.
Om u te laten proberen thuis, de auteurs van deze week aangeboden een software toolkit voor grafiek netwerken, om te worden gebruikt met Google ‘ s TensorFlow AI kader, geplaatst op Github.
Ook: Google preps TPU 3.0 voor AI, machine learning, model training
Opdat je denkt dat de auteurs denken dat ze hebben het allemaal bedacht, het paper bevat een aantal aanhoudende tekortkomingen. Battaglia & Co. vormen de grote vraag, “Waar komen de grafieken komen uit die grafiek netwerken werken, over?”
Diep leren, merken zij op, net absorbeert veel van ongestructureerde gegevens, zoals rauwe pixel informatie. Die gegevens worden mogelijk niet overeen met een bepaalde entiteiten in de wereld. Zo concluderen zij dat het gaat om een “uitdaging” voor het vinden van een methode die “betrouwbare wijze kan extract aparte entiteiten uit zintuiglijke gegevens.”
Ze ook toegeven dat de grafieken zijn niet in staat om alles te uiten: “begrippen als recursie, control flow en voorwaardelijke iteratie zijn niet eenvoudig te vertegenwoordigen met grafieken, en, zelden, extra aannames.”
Andere structurele vormen nodig, zoals, misschien, imitaties van computer-gebaseerde structuren, met inbegrip van “registers, geheugen, I/O controllers, stacks, queues” en anderen.
Vorige en aanverwante dekking:
Wat is AI? Alles wat je moet weten
Een executive gids voor kunstmatige intelligentie, van machine learning en algemene AI-neurale netwerken.
Wat is diep leren? Alles wat je moet weten
De lowdown op diep leren: van hoe het zich verhoudt tot het bredere veld van machine-leren door te zien hoe aan de slag met het.
Wat is machine learning? Alles wat je moet weten
In deze gids wordt uitgelegd wat ‘machine learning’ is, hoe het is in verband met kunstmatige intelligentie, hoe het werkt en waarom het belangrijk is.
Wat is cloud computing? Alles wat u moet weten over
Een introductie van cloud computing recht vanaf de basis tot IaaS en PaaS -, hybride -, public en private cloud.
Verwante artikelen:
Er is geen rol voor de AI of data science: dit is een team inspanning Opstarten Verwanten brengt glimp van hoop voor AI AI-robotica: Het uitzicht vanuit de Chief Data Science Office Salesforce intro ‘ s van Einstein Stem, een AI-voice assistant voor ondernemingen is Het niet de banen AI is het vernietigen van dat stoort me, het is die groeiende Hoe Facebook schalen AI
Verwante Onderwerpen:
Netwerken
Digitale Transformatie
CXO
Het Internet van Dingen
Innovatie
Enterprise Software
0