T:
Paano gumagana ang malalim na matigas ang ulo na mga network sa ebolusyon ng AI?
A:Sa harap nito, ang mga malalim na matigas na network na network ay "nagdaragdag ng pag-andar" sa isang umiiral na teknolohikal na konstruksyon, ang pangkabuoang network ng adversarial (GAN), ngunit sa katotohanan, ang kamakailang ebolusyon ng malalim na matigas na matibay na network ay nagsasabi sa amin ng mga pangunahing bagay tungkol sa kung paano mag-evolve ang AI patungo sa makabuluhang pagmomolde ng paggawa ng desisyon ng tao.
Ang malalim na matigas na network ng network ay nakasalalay sa interplay sa loob ng GAN ng dalawang AI "entities": ang "generator" at ang "discriminator." Ang generator ay "bumubuo" ng nilalaman o mga halimbawa o data ng pagsubok o anuman ang pinili mong tawagan ito. Ang diskriminator ay tumatagal ng pag-input at pag-uri nito o gumawa ng mga pagpapasya batay dito. Ang dalawang bahagi ng isang malalim na matigas na matibay na network ay mga independiyenteng entidad para sa mga layunin ng pananaliksik ng AI, ngunit nagtutulungan sila.
Mahalagang tandaan na ang magagamit na pampublikong panitikan sa malalim na matigas ang ulo na mga network ay hindi gaanong, tila na binubuo ng isang maliit na hanay ng mga karaniwang paglalarawan sa mga nangungunang pahina ng pagraranggo ng Google. Ang isa sa mga pinaka-makapangyarihan, sa KDNuggets, binabanggit ang paggamit ng isang "Goodfellow coefficient" na hindi natuklasan sa sarili nito sa pamamagitan ng isang paghahanap sa Google. (Si Ian Goodfellow ay isang scientist ng computer na na-kredito kasama ang ilan sa mga pangunahing ideya sa likod ng malalim na matigas na mga network.)
Gayunpaman, ang ideya ng malalim na matigas na network ng network ay ipinaliwanag sa KDNuggets at sa ibang lugar: ang pangunahing ideya ay ang "generator ay maaaring" subukang linlangin "ang discriminator, at ang discriminator ay maaaring gawing" mas discriminative "hanggang sa ito ay, sa isang paraan, sentiento sa "pagdududa sa sarili" at hindi pinipiling ibalik ang mga resulta. Pagkatapos, ang isang mahalagang susunod na hakbang ay nangyayari: Ang programa, alinman sa pamamagitan ng interbensyon ng tao o algorithm, ay "nakikipag-ugnay" upang magbigay ng sagot.
Sa modelong ito, sinisimulan nating makita ang AI na gumawa ng isang napakalaking hakbang, mula sa simpleng pagmomodelo ng data o mga set ng pagsasanay sa pag-parse, upang aktwal na paggawa ng mga uri ng mga desisyon na may mataas na antas na inaakala nating nasa domain ng tao. Sa pagsusuri ng parehong "pagpipilian" na pattern ng AI discriminator at ang "pagpipilian" na pattern ng isang tao, binanggit ng piraso ng KDNuggets ang "Paradox of Choice" na pinangunahan ni Barry Schwartz. Ang ilang mga independiyenteng mga post sa blog ay naglalarawan kung paano ang malalim na matigas na matibay na network ay nagtatampok ng mga pangunahing pag-uugali ng tao: Si J. Yakov Stern ay nagpapalawak sa kasalukuyang mga limitasyon at posibleng pag-unlad sa isang napakahabang screed sa IVR, at inihayag ni Alexia Jolicoeur-Martineau ang ilan sa mga pinakabagong resulta na maaaring magawa ng GANs.
Kaya sa isang kahulugan, ang pangunahing epekto ng malalim na matigas ang ulo na mga network sa AI ay ang muling pag-orient o palawakin ang pananaliksik na lampas sa mga uri ng paggawa ng desisyon na madaling naaangkop sa negosyo, at upang maisulong ang groundbreaking research patungo sa paggawa ng mga computer na mas katulad ng mga tao. Maaaring magkaroon ng anumang bilang ng mga aplikasyon ng ideyang ito sa negosyo, ngunit hindi sila gupitin at pinatuyo na, sabihin, ang kasalukuyang aplikasyon ng mga algorithm ng pag-aaral ng machine sa mga engine ng rekomendasyon ng consumer, o ang paggamit ng mga matalinong proseso sa ML sa marketing. Ang pananaliksik ng DSN ay tila nagmumungkahi na maaari naming gawing mas madidadala ang mga nilalang ng AI, na nagdadala dito ng isang mahusay na peligro, pati na rin ang gantimpala.
