Samsung рассказала о будущем ИИ на форуме искусственного интеллекта

С 12 по 13 сентября в Сеуле во второй раз собрались авторитетные эксперты в области ИИ, которые обсудили, как прорывные технологии не только помогают создавать инновации для облегчения повседневной жизни, но и демонстрируют, как работает человеческий мозг.

Неконтролируемое обучение – в центре внимания

Участники Форума искусственного интеллекта Samsung 2018 слушают речь Ки Нама Кима (Kinam Kim), президента и CEO Samsung Electronics, на открытии мероприятия.

Форум начался с презентации основателя и директора Центра исследований данных Нью-Йоркского университета (New York University Center for Data Science) и одного из ведущих мировых экспертов в области глубинного обучения, Яна Лекуна (Yann LeCun).

Речь Лекуна положила начало захватывающим дискуссиям о неконтролируемом обучении, которые не прекращались в течение всей конференции. Ученый объяснил, почему он и многие его коллеги считают, что неконтролируемое обучение, также известное как самоконтролируемое обучение, – будущее ИИ. Он также углубился в потенциальные способы применения алгоритмов неконтролируемого обучения, рассказал об ограничениях, которые они имеют, и объяснил, чем они отличаются от алгоритмов контролируемого и подкрепленного обучения.

Как пояснил эксперт, контролируемые алгоритмы обучения учатся, используя маркированные наборы данных и готовые «правильные ответы», с помощью которых можно оценивать их точность. Это означает, что каждый пример в наборе учебных данных включает ответ, которого должен добиться алгоритм. При обучении с подкреплением алгоритм развивается при помощи системы вознаграждения, реагирующей на выполнение алгоритмом оптимального действия для данной ситуации. Чтобы сделать выбор, который предполагает наибольшую награду, алгоритм полагается на эту обратную связь, а не на маркированные наборы данных.

При неконтролируемом обучении алгоритму необходимо самостоятельно разобраться в немаркированном массиве данных – наборе примеров, для которых нет ни правильных ответов, ни желаемых результатов. Такие алгоритмы обучения могут быть более непредсказуемыми, однако они могут выполнять более сложные задачи по обработке данных.

В качестве примера потенциала неконтролируемого обучения Лекун привел «тренировку» беспилотных автомобилей. «Многие люди, занимающиеся технологиями автономного вождения, надеются использовать подкрепленное обучение, чтобы научить машины ездить самостоятельно, путем проб и ошибок, – пояснил он. – Проблема в том, что, из-за недостаточной эффективности обучения с подкреплением, ваша машина несколько тысяч раз съедет с обрыва, прежде чем поймет, как этого избегать».

По словам ученого, в отличие от моделей обучения с подкреплением, полагающихся на метод проб и ошибок, модели неконтролируемого обучения могут быть способны «догадаться», что делать в подобной ситуации, – то есть продемонстрировать умственные способности, которые люди обычно называют «здравый смысл».

Эксперт поделился своим опытом разработки искусственных нейросетей – в частности, сверточных нейросетей (ConvNets). Также он продемонстрировал, как этот тип сетей может использоваться для создания не только автономных автомобилей, но и широкого спектра инновационных устройств, включая технологии для анализа медицинских сигналов и изображений, биоинформатику, распознавание речи, перевод с одного языка на другой, восстановления изображений, робототехнику и физику.

За презентацией Лекуна последовала лекция другого ведущего специалиста в области глубинного обучения – профессора Монреальского университета Йошуа Бенджио (Yoshua Bengio). Доклад проф. Бенджио касался прежде всего стохастического градиентного спуска (stochastic gradient descent, SGD), метода оптимизации ИИ, используемого для минимизации ошибок, совершенных другими нейронными сетями.

Как пояснил Бенджио, «SGD – это “рабочая лошадка” глубинного обучения. Эта техника оптимизации повсеместно используется для контролируемого, подкрепленного и неконтролируемого обучения. Она с нами уже много десятилетий и невероятно эффективна, но мы до сих пор не полностью ее понимаем».

Презентация Бенджио позволила участникам конференции лучше понять метод стохастического градиентного спуска, в частности, то, как варианты SGD могут повлиять на оптимизацию и обобщение нейронной сети. Бенджио отметил, как традиционное видение машинного обучение считает оптимизацию и обобщение отдельными процессами, но это ошибочно. Он также представил подробные результаты исследований влияния техник обучения, основанных на SGD, на оба аспекта проектирования сети.

(Сверху вниз, по часовой стрелке) Профессор Нью-Йоркского университета Ян Лекун, профессор Монреальского университета Йошуа Бенджио, профессор медиалаборатории Массачусетского технологического института Синтия Безель и исполнительный вице-президент научно-исследовательского подразделения Samsung Себастьян Сын.

Может ли неконтролируемое обучение раскрыть тайны человеческого мозга?

Себастьян Сын (Sebastian Seung), исполнительный вице-президент научно-исследовательского подразделения Samsung Electronics и главный научный сотрудник компании, выступил с особенно яркой презентацией, в которой изложил, почему неконтролируемое обучение будет играть ключевую роль в разработке ИИ, способного мыслить как человек.

Сын отметил, что сверточные нейросети, о которых подробно в своем выступлении рассказал Ян Лекун, основаны на знаниях из области нейробиологии. Он также рассказал о том, как исследования в области как искусственных, так и биологических нейросетей, привели его к изучению способов применения ИИ для исследования устройства человеческого мозга.

Сын подчеркнул, что мозг основан на модели проектирования неконтролируемых обучающихся сетей, и обратил внимание на недавнее исследование, в котором участвовала его команда. Ученые применяли ИИ обозначения на схеме более 100 000 нейронов, содержащихся в одном кубическом миллиметре зрительной зоны коры головного мозга мыши.

Алгоритм самоконтролируемого обучения, который использовали ученые, позволил им не только создать трехмерную модель нейронной сети, но и пометить различными цветами отдельные клетки и их компоненты. «В этом и состоит волшебство глубинного обучения, – сказал Сын. – Если бы человеку пришлось раскрашивать эту схему, на это ушло бы около 100 лет работы – и это без перерывов на кофе или сон!»

Жизнь в окружении «социальных роботов» – уже через 10-20 лет

Речь Синтии Брезель (Cynthia Breazeal), основательницы и руководителя исследовательских работ компании Jibo, а также директора-учредителя Группы персональной робототехники в Массачусетском технологическом институте, сместила акцент на применение ИИ в продвинутой робототехнике.

В презентации Брезель под названием «Жизнь и процветание с социальными роботами» обсуждались подходы, необходимые для разработки автономных систем, использующих ИИ для повышения качества жизни людей. Как пояснила Брезель, автономные, социально и эмоционально интеллектуальные роботы, оснащенные так называемым «реляционным ИИ», обладают широким спектром интересных преимуществ.

«Мне очень радостно думать о том, что уже в следующие 10-20 лет эти роботы станут частью нашей повседневной жизни», – рассказала она.

В своей увлекательной презентации Брезель упомянула несколько способов применения социальных роботов для помощи детям и пожилым людям. Ученая рассказала об исследованиях, в ходе которых роботов-компаньонов предоставляли пациентам в детских больницах, детям дошкольного возраста и пенсионерам.

На видео, снятых во время эксперимента, детей в больнице успокаивало наличие «друга» рядом; роботы также способствовали более эффективной учебе. Как объяснила Брезель, «Речь идет об ином видении искусственного интеллекта. Сейчас основное внимание уделяется инструментам для профессионалов, и мало кто всерьез задумывается о том, как ИИ сможет помочь всем людям». Исследования, добавила эксперт, демонстрируют, что «применение таких технологий в реальном мире выглядит очень многообещающе, они могут иметь большое значение».

В этом году форум также включал множество разнообразных презентаций, которые представили разносторонний взгляд на нынешнее состояние развития искусственного интеллекта. В их числе – доклады на такие темы как достижения в области подкрепленного обучения, взаимную нейронную оценку информации, социально и эмоционально интеллектуальные системы, роботы-личные ассистенты, а также использование машинного обучения в индивидуализированной медицине. Эти разработки демонстрируют большие успехи в создании будущего, связанного с ИИ.