Hampir semua yang anda dengar mengenai kecerdasan buatan hari ini berasal dari pembelajaran mendalam. Algoritma kategori ini berfungsi dengan statistik untuk mencari corak dalam data, dan terbukti sangat hebat dalam meniru kemahiran manusia, seperti kemampuan kita untuk melihat dan mendengar. Pada tahap yang sangat sempit, ia bahkan dapat meniru kemampuan kita untuk berfikir. Algoritma ini menyokong Carian Google, Facebook Newsfeed, enjin cadangan Netflix, dan industri bentuk seperti penjagaan kesihatan dan pendidikan.
Bagaimana pembelajaran mendalam berkembang
Walaupun fakta bahawa pembelajaran mendalam secara praktikal secara sendirian membawa kecerdasan buatan kepada umum, ia hanya menunjukkan sedikit kilat dalam tugas sejarah manusia untuk menghasilkan semula kecerdasannya sendiri. Sudah berada di barisan depan pencarian ini selama kurang dari satu dekad. Sekiranya kita menyisihkan keseluruhan sejarah kawasan ini, mudah difahami bahawa tidak lama lagi ia juga akan hilang.
Peningkatan mendadak dari pelbagai kaedah telah lama mencirikan penyelidikan AI, katanya. Terdapat persaingan yang sengit antara idea yang berbeza setiap dekad. Kemudian, dari semasa ke semasa, suis berubah dan seluruh masyarakat mula melakukan satu perkara.
Rakan sekerja kami di MIT Technology Review ingin menggambarkan masalah dan permulaan ini. Untuk tujuan ini, mereka beralih ke salah satu pangkalan data terbesar makalah ilmiah terbuka yang dikenali sebagai arXiv. Mereka memuat turun petikan dari sejumlah 16.625 artikel yang terdapat di bahagian kecerdasan buatan hingga 18 November 2018 dan menelusuri kata-kata yang disebutkan selama bertahun-tahun untuk melihat bagaimana bidang ini berkembang.
Melalui analisis mereka, tiga tren utama muncul: peralihan ke arah pembelajaran mesin pada akhir tahun 90-an dan awal tahun 2000-an, peningkatan popularitas rangkaian saraf yang dimulai pada awal tahun 2010, dan peningkatan pembelajaran pengukuhan dalam beberapa tahun terakhir.
Video promosi:
Tetapi pertama, beberapa peringatan. Pertama, bahagian arXiv dengan AI bermula pada tahun 1993, dan istilah "kecerdasan buatan" bermula pada tahun 1950-an, jadi pangkalan data itu sendiri hanya mewakili bab-bab terakhir sejarah lapangan. Kedua, dokumen yang ditambahkan ke pangkalan data setiap tahun hanya mewakili sebahagian kecil dari pekerjaan yang sedang dilakukan di kawasan ini pada masa ini. Walau bagaimanapun, arXiv menawarkan sumber yang sangat baik untuk mengenal pasti beberapa trend penyelidikan utama dan untuk melihat daya tarik antara kem ideologi yang berbeza.
Paradigma pembelajaran mesin
Pergeseran terbesar yang ditemui oleh penyelidik adalah menjauh dari sistem berasaskan pengetahuan ke arah awal tahun 2000-an. Sistem komputer sedemikian didasarkan pada idea bahawa mungkin untuk menyandikan semua pengetahuan manusia dalam sistem peraturan. Sebaliknya, saintis beralih ke pembelajaran mesin, kategori algoritma induk yang merangkumi pembelajaran mendalam.
Di antara 100 perkataan yang disebutkan, kata-kata yang berkaitan dengan sistem berasaskan pengetahuan - "logik", "kekangan" dan "peraturan" - menurun paling banyak. Dan yang berkaitan dengan pembelajaran mesin - "data", "rangkaian", "prestasi" - berkembang paling banyak.
Sebab perubahan cuaca ini sangat mudah. Pada tahun 80-an, sistem berasaskan pengetahuan semakin popular di kalangan peminat, berkat keseronokan di sekitar projek-projek bercita-cita tinggi yang cuba mencipta akal sehat dalam mesin. Tetapi ketika projek-projek ini terungkap, para penyelidik menghadapi cabaran besar: Terlalu banyak peraturan yang harus dikodekan agar sistem dapat melakukan sesuatu yang bermanfaat. Ini menyebabkan peningkatan kos dan memperlambat proses yang sedang berjalan dengan ketara.
Jawapan untuk masalah ini adalah pembelajaran mesin. Daripada menghendaki orang membuat kod secara manual ratusan ribu peraturan, pendekatan ini memprogram mesin untuk secara automatik mengeluarkan peraturan tersebut dari timbunan data. Begitu juga, bidang ini telah beralih dari sistem berasaskan pengetahuan dan beralih ke peningkatan pembelajaran mesin.
Lonjakan rangkaian saraf
Dalam paradigma baru pembelajaran mesin, peralihan ke pembelajaran mendalam tidak berlaku dalam sekelip mata. Sebaliknya, analisis istilah utama telah menunjukkan bahawa para saintis telah menguji banyak kaedah selain rangkaian saraf, mekanisme utama pembelajaran mendalam. Kaedah popular lain termasuk rangkaian Bayesian, mesin vektor sokongan, dan algoritma evolusi, yang semuanya menggunakan pendekatan yang berbeza untuk mencari corak dalam data.
Selama tahun 1990-an dan 2000-an, terdapat persaingan yang kuat antara kaedah ini. Kemudian, pada tahun 2012, penembusan dramatik menyebabkan perubahan cuaca yang lain. Semasa pertandingan tahunan ImageNet untuk mempercepat kemajuan dalam penglihatan komputer, seorang penyelidik bernama Jeffrey Hinton, bersama dengan rakan-rakan dari University of Toronto, mencapai ketepatan pengecaman gambar terbaik dengan kesalahan hanya lebih dari 10%.
Teknik pembelajaran mendalam yang digunakannya telah melahirkan gelombang penyelidikan baru, pertama dalam komuniti visualisasi dan seterusnya. Semakin banyak saintis mula menggunakannya untuk mencapai hasil yang mengagumkan, populariti teknik ini, bersama dengan populariti rangkaian saraf, telah meroket.
Pertumbuhan pembelajaran pengukuhan
Analisis menunjukkan bahawa beberapa tahun setelah masa pembelajaran mendalam, terdapat perubahan ketiga dan terakhir dalam penyelidikan AI.
Sebagai tambahan kepada pelbagai kaedah pembelajaran mesin, terdapat tiga jenis yang berbeza: pembelajaran diawasi, pembelajaran tanpa pengawasan, dan pembelajaran pengukuhan. Pembelajaran yang diawasi, yang melibatkan pemberian data tag pada mesin, adalah yang paling biasa digunakan dan juga memiliki aplikasi yang paling praktikal saat ini. Namun, dalam beberapa tahun terakhir, pembelajaran pengukuhan, yang meniru proses pembelajaran haiwan melalui wortel dan tongkat, hukuman dan ganjaran, telah menyebabkan peningkatan pesat dalam karya.
Idea itu sendiri bukanlah sesuatu yang baru, tetapi tidak berjaya selama beberapa dekad. "Pakar pembelajaran yang diawasi menertawakan pakar pembelajaran pengukuhan," kata Domingos. Tetapi seperti pembelajaran mendalam, satu titik perubahan tiba-tiba membawa kaedah ke depan.
Momen itu tiba pada bulan Oktober 2015, ketika AlphaGo DeepMind, dilatih dengan penguat, mengalahkan juara dunia dalam permainan kuno. Kesannya kepada komuniti penyelidik segera.
Sepuluh tahun akan datang
Kajian Teknologi MIT hanya memberikan gambaran ringkas mengenai persaingan antara idea yang menjadi ciri penyelidikan AI. Walau bagaimanapun, ini menggambarkan ketidakkonsistenan usaha penggandaan kecerdasan. "Penting untuk memahami bahawa tidak ada yang tahu bagaimana menyelesaikan masalah ini," kata Domingos.
Banyak kaedah yang telah digunakan selama 25 tahun muncul pada waktu yang sama pada tahun 1950-an dan gagal menandingi cabaran dan kejayaan setiap dekad. Jaringan saraf, misalnya, memuncak pada tahun 60-an dan sedikit pada tahun 80-an, tetapi hampir mati sebelum memperoleh kembali popularitinya berkat pembelajaran mendalam.
Setiap dekad, dengan kata lain, telah melihat dominasi teknik yang berbeza: rangkaian saraf pada akhir 50-an dan 60-an, pelbagai percubaan simbolik pada tahun 70-an, sistem berasaskan pengetahuan pada tahun 80-an, rangkaian Bayes pada tahun 90-an, vektor rujukan di rangkaian sifar dan saraf lagi pada tahun 2010-an.
2020 tidak akan berbeza, kata Domingos. Ini bermaksud bahawa era pembelajaran mendalam mungkin akan berakhir. Tetapi apa yang akan berlaku seterusnya - teknik lama dalam kemuliaan baru atau paradigma yang sama sekali baru - ini adalah topik kontroversi sengit dalam masyarakat.
Ilya Khel
