4 أسباب لعدم الخوف من التعلم العميق (بعد) | بن ديكسون

في عام 2012 ، حققت مجموعة من العلماء من جامعة تورونتو طفرة في تصنيف الصور.

في ImageNet ، مسابقة الذكاء الاصطناعي السنوية (AI) التي يتنافس فيها المتسابقون على إنشاء خوارزمية تصنيف الصورة الأكثر دقة ، قام فريق تورنتو لأول مرة بـ AlexNet "، الذي تغلب على الميدان بفارق كبير بلغ 10.8 نقطة مئوية… 41 في المائة أفضل من أفضل التالي ، "وفقا لكوارتز.

كان التعلم العميق ، الطريقة التي استخدمها الفريق ، تحسينًا جذريًا مقارنةً بالمنهجيات السابقة تجاه الذكاء الاصطناعى واستهل حقبة جديدة من الابتكار. ومنذ ذلك الحين وجدت طريقها إلى التعليم والرعاية الصحية والأمن السيبراني وألعاب الطاولة والترجمة ، وحصلت على مليارات الدولارات من استثمارات وادي السيليكون.

لقد أشاد الكثيرون بالتعلم العميق وبتعلمه الواسع ، والتعلم الآلي ، كتكنولوجيا للأغراض العامة في عصرنا وأكثر عمقًا من الكهرباء والنار. بينما يحذر آخرون من أن التعلم العميق سيحسّن في النهاية البشر في كل مهمة ويصبح القاتل الوظيفي. أدى انفجار التطبيقات والخدمات المدعومة بالتعليم العميق إلى إثارة المخاوف من نهايات العالم ، حيث تغزو أجهزة الكمبيوتر فائقة الذكاء الكوكب وتدفع البشر إلى العبودية أو الانقراض.

ولكن على الرغم من هذه الضجة ، فإن التعلم العميق له بعض العيوب التي قد تمنعه ​​من تحقيق بعض الوعود - الإيجابية والسلبية على حد سواء.

التعلم العميق يعتمد على الكثير من البيانات

غالباً ما تتم مقارنة التعلم العميق والشبكات العصبية العميقة ، التي تضم بنيتها الأساسية ، بالدماغ البشري. لكن عقولنا يمكن أن تتعلم المفاهيم وتتخذ القرارات مع القليل جدا من البيانات ؛ يتطلب التعلم العميق طن من العينات لأداء أبسط مهمة.

في جوهره ، التعلم العميق هو تقنية معقدة تقوم بتخطيط المدخلات للمخرجات من خلال إيجاد أنماط شائعة في البيانات التي تحمل علامات واستخدام المعرفة لتصنيف عينات البيانات الأخرى. على سبيل المثال ، أعط تطبيقًا للتعلم العميق صورًا كافية للقطط ، وسيكون قادرًا على اكتشاف ما إذا كانت الصورة تحتوي على قطة. وبالمثل ، عندما تستوعب خوارزمية التعليم العميق عينات صوتية كافية من الكلمات والعبارات المختلفة ، يمكنها التعرف على الكلام ونسخه.

ولكن هذا النهج فعال فقط عندما يكون لديك الكثير من البيانات الجيدة لتغذية الخوارزميات الخاصة بك. خلاف ذلك ، يمكن لخوارزميات التعلم العميق أن ترتكب أخطاء فادحة (مثل الخلط بين بندقية لطائرة هليكوبتر). عندما لا تكون بياناتهم شاملة ومتنوعة ، فقد أظهرت خوارزميات التعليم العميق السلوك العنصري والعنصري.

يؤدي الاعتماد على البيانات أيضًا إلى حدوث مشكلة في المركزية. نظرًا لأن لديهم إمكانية الوصول إلى كميات هائلة من البيانات ، فإن شركات مثل Google و Amazon في وضع أفضل لتطوير تطبيقات فعالة للتعلم العميق من الشركات الناشئة ذات الموارد الأقل. إن مركزية الذكاء الاصطناعي في عدد قليل من الشركات يمكن أن يعوق الابتكار ويمنح تلك الشركات الكثير من التأثير على مستخدميها.

التعلم العميق ليس مرنا

يمكن للبشر تعلم مفاهيم مجردة وتطبيقها على مجموعة متنوعة من الحالات. ونحن نفعل ذلك في كل وقت. على سبيل المثال ، عندما تلعب لعبة كمبيوتر مثل Mario Bros. للمرة الأولى ، يمكنك على الفور استخدام المعرفة في العالم الحقيقي - مثل الحاجة إلى القفز فوق الحفر أو تفادي الكرات النارية. يمكنك بعد ذلك تطبيق معرفتك باللعبة على إصدارات أخرى من Mario ، مثل Super Mario Odyssey ، أو غيرها من الألعاب ذات الميكانيكا المشابهة ، مثل Donkey Kong Country و Crash Bandicoot.

ومع ذلك ، يجب أن تتعلم تطبيقات الذكاء الاصطناعي كل شيء من الصفر. توضح نظرة إلى كيفية تعلم خوارزمية التعلم العميق لعب ماريو مدى اختلاف عملية تعلم الذكاء الاصطناعى عن تلك الخاصة بالبشر. إنه يبدأ في الأساس في معرفة أي شيء عن بيئته ويتعلم تدريجياً التفاعل مع العناصر المختلفة. لكن المعرفة التي اكتسبتها من لعب Mario تخدم فقط المجال الضيق لتلك اللعبة الفردية ولا يمكن نقلها إلى ألعاب أخرى ، حتى ألعاب Mario الأخرى.

هذا النقص في الفهم المفاهيمي والتجريدي يبقي تطبيقات التعلم العميق مركزة على مهام محدودة ويمنع تطور الذكاء الاصطناعي العام ، وهو نوع الذكاء الاصطناعي الذي يمكن أن يتخذ قرارات فكرية مثل البشر. هذا ليس بالضرورة نقطة ضعف ؛ يجادل بعض الخبراء بأن إنشاء الذكاء الاصطناعى العام هو هدف لا طائل منه. لكنه بالتأكيد قيد عند مقارنته بالدماغ البشري.

التعلم العميق معتم

على عكس البرامج التقليدية ، التي يحدد لها المبرمجون القواعد ، تنشئ تطبيقات التعليم العميق قواعدهم الخاصة من خلال معالجة بيانات الاختبار وتحليلها. وبالتالي ، لا أحد يعرف حقًا كيف يتوصلون إلى استنتاجات وقرارات. حتى مطورو خوارزميات التعليم العميق غالباً ما يجدون أنفسهم في حيرة من نتائج إبداعاتهم.

قد يكون هذا الافتقار إلى الشفافية عقبة كبيرة أمام الذكاء الاصطناعي والتعلم العميق ، حيث تحاول التكنولوجيا إيجاد مكانها في المجالات الحساسة مثل علاج المرضى ، وتطبيق القانون ، والسيارات ذاتية القيادة. قد تكون خوارزميات التعلم العميق أقل عرضة للأخطاء من البشر ، ولكن عندما يرتكبون أخطاء ، يجب أن تكون الأسباب الكامنة وراء هذه الأخطاء قابلة للتفسير. إذا لم نتمكن من فهم كيفية عمل تطبيقات AI الخاصة بنا ، فلن نتمكن من الوثوق بها في المهام الحرجة.

التعلم العميق يمكن الحصول على overhyped

لقد أثبت التعلم العميق بالفعل أهميته في العديد من المجالات وسيواصل تغيير الطريقة التي نؤدي بها الأشياء. على الرغم من عيوبها وقيودها ، إلا أن التعلم العميق لم يخذلنا. لكن علينا ضبط توقعاتنا.

كما يحذر الباحث غاري ماركوس ، من المحتمل أن يؤدي الإفراط في تطوير التكنولوجيا إلى "شتاء جديد لمنظمة العفو الدولية" - وهي فترة تؤدي فيها التوقعات المرتفعة للغاية وضعف الأداء إلى خيبة أمل عامة وقلة الاهتمام.

يقترح ماركوس أن التعلم العميق ليس "مذيبًا عالميًا ولكنه أداة من بين الكثير" ، مما يعني أنه بينما نستمر في استكشاف الإمكانيات التي يوفرها التعلم العميق ، يجب علينا أيضًا أن ننظر في أساليب أخرى مختلفة اختلافًا جذريًا لإنشاء تطبيقات الذكاء الاصطناعي.

حتى البروفيسور جيفري هينتون ، الذي كان رائد العمل الذي أدى إلى ثورة التعلم العميق ، يعتقد أنه من المحتمل أن يتم اختراع أساليب جديدة تمامًا. وقال لأكسيوس "المستقبل يعتمد على بعض طلاب الدراسات العليا الذين يشككون بشدة في كل ما قلته".