Zemljevid znanja AI: kako razvrstiti AI tehnologije

Skica nove pokrajine AI tehnologije

Krajša različica tega članka se je najprej pojavila na Forbesu

Članek je KDnuggets prejel tudi srebrno značko kot enega najbolj branih in v skupni rabi avgusta 2018.

I. Uvodne misli

Že nekaj časa sem v prostoru umetne inteligence in se zavedam, da obstaja več klasifikacij, razlikovanj, pokrajin in infografik, da bi predstavljali in spremljali različne načine razmišljanja o AI. Vendar nisem velik oboževalec teh vaj za kategorizacijo, predvsem zato, ker se nagibam k misli, da trud razvrščanja dinamičnih podatkovnih točk v vnaprej določene polja popravkov pogosto ni vreden koristi od tako "jasnega" okvira (gre za posploševanje seveda, ker so včasih zelo koristne).

Ko gre posebej za umetno inteligenco, mislim, da je veliko kategorizacij tam nepopolnih ali pa ne morejo zajeti močnih temeljnih povezav in vidikov tega novega vala AI.

Naj vam najprej povem utemeljitev te objave. S sodelovanjem s strateško agencijo za inovacije Chôra smo želeli ustvariti vizualno orodje, s katerim bodo ljudje na prvi pogled razumeli kompleksnost in globino tega orodja, ter postavili zemljevid, ki bi lahko pomagal ljudem, ki se orientirajo v džungli AI. Naslednji graf bi morali gledati kot način, kako nestrukturirano znanje razvrstiti v nekakšno ontologijo, s končnim ciljem, da ne bi natančno predstavljali vseh obstoječih informacij o AI, temveč da bi morali imeti orodje za opis in dostop do dela tega nabora informacij.

Sledi prizadevanje za risanje arhitekture za dostop do znanja o AI in sledenje nastajajoči dinamiki, prehodu na že obstoječe znanje o tej temi, ki vam bo omogočil, da poiščete dodatne informacije in sčasoma ustvarite nova znanja o AI.

Uporabnost zaključnega dela naj vam torej pomaga pri doseganju treh stvari: smisel za dogajanje in oblikovanje zemljevida, ki bo sledil poti; razumevanje, kje se danes uporablja strojna inteligenca (glede na to, kje v preteklosti niso bili uporabljeni); razumevanje, kaj in koliko težav je preoblikovano, da se AI lahko spopade z njimi (če ste seznanjeni z delom Agrawal et al. 2018, so to neposredne posledice padca stroškov tehnologij napovedovanja).

Ta članek načeloma cilja tako na ljudi, ki začenjajo z AI, da jim dajo široko predstavo o tem, kar je tam zunaj, pa tudi strokovnjake in praktike, ki s temi tehnologijami že nekaj časa eksperimentirajo (z izrecno prošnjo, da mi pošljete povratne informacije o tem, kako strukturirali bi ga ali druge tehnologije, ki bi jih moral zajeti AI spekter).

Prav tako se zelo dobro zavedam, da je to ambiciozna naloga, zato preprosto na to glejte kot na prvi osnutek ali poskus, da to storite, ne pa kot končna rešitev, zapisana v kamnu.

Dovolite mi, da tudi ta uvod zaključim z nečim, za kar sem ugotovil, da poskušam doseči cilj ustvarjanja tega vizualnega gradiva: zelo, zelo težko. Poskus predstavljanja čim več informacij na dvodimenzionalnem nečitnem zemljevidu je bil izredno zahteven, česar se ne zavedate, dokler tega ne poskusite narediti sami. Vse vas vabim, da storite enako, da razumete, kaj mislim (verjemite mi, sploh ni enostavno, zlasti glede na neskladje v mnenjih, stališčih in pristopih, ki so jih v AI uporabljali v zadnjih 60 letih). To me pripelje do končne zavrnitve odgovornosti: včasih sem moral zaradi približevanja med natančnostjo in jasnostjo približati koncepte ali samo razvrstitev, zato mi vnaprej oprostite za nekaj manjših (ali večjih, za oči nekoga) napačnih navedb.

Torej, skočimo na Zemljevid znanja AI (AIKM) zdaj.

II. Problemska domena + pristop = tehnološka rešitev

Torej, tukaj je to. Verjetno ste pričakovali, da vam bo predstavitev predstavljala čuden VR motor, ki za vsako tehnologijo projicira več svetil luči, vendar je namesto tega staromoden dvodimenzionalen graf. Tako enostavno kot to.

Poglejmo to nekoliko podrobneje.

Na osi boste našli dve makro skupini, to so paradigme AI in problematične domene AI. Paradigme AI (os X) so resnično pristopi, ki jih raziskovalci AI uporabljajo za reševanje specifičnih problemov, povezanih z AI (vključuje pa pristope, ki smo jih doslej poznali). Na drugi strani so problematične domene AI (os Y) zgodovinsko vrsta težav, ki jih AI lahko reši. V nekem smislu kaže tudi potencialne zmogljivosti AI tehnologije.

Zato sem opredelil naslednje paradigme AI:

  • Logična orodja: orodja, ki se uporabljajo za zastopanje znanja in reševanje problemov;
  • Orodja, ki temeljijo na znanju: orodja, ki temeljijo na ontologijah in ogromnih bazah pojmov, informacij in pravil;
  • Verjetnostne metode: orodja, ki agentom omogočajo, da delujejo v nepopolnih informacijskih scenarijih;
  • Strojno učenje: orodja, ki računalnikom omogočajo učenje iz podatkov;
  • Utelešena inteligenca: inženirsko orodje, ki predvideva, da je za višjo inteligenco potreben organ (ali vsaj delni nabor funkcij, kot so gibanje, zaznavanje, interakcija in vizualizacija);
  • Iskanje in optimizacija: orodja, ki omogočajo inteligentno iskanje po številnih možnih rešitvah.

Teh šest paradigem spada tudi v tri različne makro pristope, in sicer simbolični, sub-simbolični in statistični (predstavljeni z različnimi barvami). Na kratko, simbolični pristop navaja, da bi človeško inteligenco lahko zmanjšali na manipulacijo s simboli, pod-simbolično, da predhodno ne bi smeli zagotoviti posebnih predstavitev znanja, medtem ko statistični pristop temelji na matematičnih orodjih za reševanje specifičnih pod-problemov.

Hitra dodatna opomba: morda boste slišali ljudi, ki govorijo o "AI plemenih", konceptu, ki ga je predlagal Pedro Domingos (2015), ki združuje raziskovalce v skupine na podlagi pristopov, ki jih uporabljajo za reševanje težav. Teh pet plemen lahko preprosto preslikate z našo klasifikacijo paradigme (ne glede na utelešeno inteligenčno skupino), tj. Simbolike z logičnim pristopom (uporabljajo logično sklepanje, ki temelji na abstraktnih simbolih); Povezovalci s strojnim učenjem (navdihujejo jih možgani sesalcev); Evolucionarji z iskanjem in optimizacijo (navdihujejo jih darwinovski razvoj); Bajezijci s probabilističnimi metodami (uporabljajo verjetnostno modeliranje); in na koncu Analogizerji z metodami, ki temeljijo na znanju, saj poskušajo ekstrapolirati iz obstoječega znanja in prejšnjih podobnih primerov.

Navpična os namesto tega določa težave, za katere je bil uporabljen AI, in klasifikacija tukaj je povsem standardna:

  • Obrazložitev: sposobnost reševanja težav;
  • Znanje: sposobnost predstavljanja in razumevanja sveta;
  • Načrtovanje: zmožnost postavljanja in doseganja ciljev;
  • Komuniciranje: sposobnost razumevanja jezika in komunikacije;
  • Zaznavanje: sposobnost pretvorbe surovih senzoričnih vhodov (npr. Slike, zvoki itd.) V uporabne informacije.

Še vedno se sprašujem, ali je ta razvrstitev dovolj velika, da zajame ves spekter težav, s katerimi se trenutno srečujemo, ali je treba dodati več primerov (npr. Ustvarjalnost ali gibanje). Zaenkrat se bom držal 5-grozdnega.

Vzorci škatel namesto teh tehnologij razdelijo na dve skupini, to je ozke aplikacije in splošne aplikacije. Uporabljene besede so namerno rahlo zavajajoče, vendar me nosijo eno sekundo in razložil bom, kaj sem mislil. Za vsakogar, ki se začne v AI, je ključnega pomena poznavanje razlike med šibkim / ozkim AI (ANI), močnim / splošnim AI (AGI) in umetno super inteligenco (ASI). Zaradi jasnosti je ASI zgolj ugibanje do zdaj, General AI je končni cilj in sveti gral raziskovalcev, medtem ko je ozek AI tisto, kar danes v resnici imamo, torej niz tehnologij, ki se ne morejo spoprijeti z ničemer zunaj njihovega področja (kar je glavna razlika pri AGI).

Dve vrsti vrstic, uporabljenih na grafu (neprekinjene in pikčaste), nato želita izrecno nakazati na to razlikovanje in se prepričate, da ko boste prebrali nekaj drugega uvodnega gradiva o AI, ne boste popolnoma izgubljeni. Vendar hkrati razlika tukaj začrta tehnologije, ki lahko rešijo samo določeno nalogo (običajno boljšo od ljudi - Ozke aplikacije) in druge, ki lahko danes ali v prihodnosti rešijo več nalog in sodelujejo s svetom (bolje kot mnogi ljudje - Splošne prijave).

Na koncu si oglejmo, kaj vse vsebuje sam graf. Na zemljevidu so predstavljeni različni razredi AI tehnologij. Upoštevajte, da namenoma ne poimenujem določenih algoritmov, temveč jih razvrščam v makro skupine. Ne dajem vam niti ocene vrednosti, kaj deluje in česa ne, ampak preprosto naštejem, kaj lahko raziskovalci in znanstveniki podatkov uporabijo.

Kako torej berete in razlagate zemljevid? No, naj vam navedem dva primera, ki vam bosta pomagala. Če pogledate obdelavo naravnega jezika, to vgrajuje razred algoritmov, ki za reševanje težav na področju zaznave uporabljajo kombinacijo na znanju temelječega pristopa, strojnega učenja in verjetnostnih metod. Hkrati pa, če pogledate prazen prostor na križišču med paradigmo, ki temelji na logiki in težavami Rezoniranje, se lahko vprašate, zakaj tam ni tehnologij. Kar prikazuje zemljevid, ni, da kategorično ne obstaja metoda, ki bi lahko zapolnila ta prostor, ampak da na primer, ko ljudje pristopijo k težavi z obrazložitvijo, raje uporabljajo pristop strojnega učenja.

Za zaključek tega razlage je to celoten seznam tehnologij, ki so vključene z lastnimi definicijami:

  • Robotic Process Automation (RPA): tehnologija, ki izvleče seznam pravil in dejanj, ki jih je treba izvesti, če opazujete, kako uporabnik opravlja določeno nalogo;
  • Strokovni sistemi: računalniški program s strogo kodiranimi pravili za posnemanje človekovega procesa odločanja. Mehki sistemi so poseben primer sistemov, ki temeljijo na pravilih, ki spreminjajo spremenljivke v kontinuum vrednosti med 0 in 1, v nasprotju s tradicionalno digitalno logiko, ki ima za posledico rezultat 0/1;
  • Računalniški vid (CV): metode za pridobivanje in smisel digitalnih slik (običajno jih delimo na prepoznavanje dejavnosti, prepoznavanje slik in strojni vid);
  • Naravna obdelava naravnega jezika (NLP): podpolje, ki obravnava podatke naravnega jezika (temu področju pripadajo trije glavni bloki, tj. Razumevanje jezika, ustvarjanje jezika in strojni prevod);
  • Nevronska omrežja (NN ali ANN): razred algoritmov, ki se ohlapno modelirajo po nevronski strukturi možganov človeka / živali, ki izboljša njegovo delovanje, ne da bi bil izrecno poučen, kako to storiti. Dve glavni in dobro znani podklasi NN sta Deep Learning (nevronska mreža z več plastmi) in Generative Adversarial Networks (GANs - dve mreži, ki drug drugemu trenirata);
  • Avtonomni sistemi: podpolje, ki leži na presečišču robotike in inteligentnih sistemov (npr. Inteligentna percepcija, spretno upravljanje z objekti, upravljanje na robotih na podlagi načrta itd.);
  • Distributed Artificial Intelligence (DAI): razred tehnologij, ki rešujejo težave tako, da jih razdelijo na avtonomne "agente", ki med seboj komunicirajo. Sistemi z več agenti (MAS), modeliranje na podlagi agentov (ABM) in Swarm Intelligence so tri uporabne specifikacije te podskupine, kjer kolektivno vedenje izhaja iz interakcije decentraliziranih samoorganiziranih agentov;
  • Učinkovito računalništvo: podpolje, ki se ukvarja s prepoznavanjem, interpretacijo in simulacijo čustev;
  • Evolucijski algoritmi (EA): gre za podmnožico širše domene računalništva, imenovane evolucijsko računanje, ki uporablja mehanizme, ki jih inspirira biologija (npr. Mutacija, reprodukcija itd.) Za iskanje optimalnih rešitev. Genetski algoritmi so najpogosteje uporabljena podskupina ocenjevalnih vplivov, ki so hevristike iskanja, ki sledijo naravnemu postopku izbire, da izberejo najprimernejšo rešitev kandidata;
  • Induktivno logično programiranje (ILP): podpolje, ki uporablja formalno logiko za prikaz baze podatkov in oblikovanje hipotez, ki izhajajo iz teh podatkov;
  • Mreže odločitev: je posplošitev najbolj znanih bajezijskih mrež / sklepov, ki predstavljajo nabor spremenljivk in njihovih verjetnostnih razmerij skozi zemljevid (imenovan tudi usmerjeni aciklični graf);
  • Verjetnostno programiranje: okvir, ki vas ne sili v trdo kodiranje določene spremenljivke, temveč deluje z verjetnostnimi modeli. Sinteza programa Bayesian Program (BPS) je nekako oblika verjetnostnega programiranja, kjer bajezijski programi pišejo nove bajezijske programe (namesto ljudi to počnejo, kot v širšem verjetnostnem pristopu k programiranju);
  • Ambient Intelligence (AmI): okvir, ki zahteva fizične naprave v digitalnem okolju, da zaznajo, zaznajo in se odzovejo s kontekstnim zavedanjem na zunanji dražljaj (ponavadi ga sproži človekovo dejanje).

Če želite rešiti točno določeno težavo, lahko sledite enemu ali več pristopom, kar pomeni eno ali več tehnologij, saj se mnoge od njih sploh ne medsebojno izključujejo, temveč se dopolnjujejo.

Nazadnje obstaja še ena ustrezna klasifikacija, ki je nisem vdelal v zgornji graf (t.j. različna vrsta analitike), vendar je to treba omeniti zaradi popolnosti. Morda naletite na pet različnih vrst analitike: opisna analitika (kaj se je zgodilo); diagnostična analitika (zakaj se je nekaj zgodilo); napovedna analitika (kaj se bo zgodilo); predpisovalna analitika (priporočila za ukrepanje); in avtomatizirana analitika (samodejno sprejemanje ukrepov). Morda bi vas zamikalo, da bi ga uporabili za razvrščanje zgornjih tehnologij, toda resničnost je, da gre za funkcionalno klasifikacijo in postopek, ne pa za izdelek - z drugimi besedami, vsaka tehnologija v spektru lahko izpolni teh pet analitičnih funkcij .

III. Zaključek

Poučevanje računalnikov, kako se učiti, ne da bi jih bilo treba izrecno programirati, je težka naloga, ki vključuje več tehnologij za spopadanje z več odtenki, in čeprav ta zemljevid še zdaleč ni popoln, je to vsaj prvi poskus smisla zmedena pokrajina kot umetna inteligenca.

Popolnoma se zavedam, da se tu pojavlja močno načelo Pareto, to je, da 80% (če ne več) sedanjih prizadevanj in rezultatov poganja 20% tehnologij, prikazanih na zemljevidu (in sicer globoko učenje, NLP in računalnik vizija), prepričan pa sem tudi, da bi lahko celoten spekter pomagal raziskovalcem, zagonskim podjetjem in vlagateljem.

Poleg tega, da bom poskušal vdelati in razmisliti o povratnih informacijah in komentarjih na to prvo različico, nameravam v prihodnje narediti še dva koraka: eden ustvarja plast za vrsto izzivov, s katerimi se AI srečuje (npr. Težave s spominom in katastrofalno pozabljanje, prenos učenja, učenje iz manj podatkov s stvarmi, kot so učenje z ničlo in enim strelom itd.) ter s kakšno tehnologijo se lahko premagate s tem posebnim vprašanjem. Drugič, poskusiti uporabiti leče, da bi pogledali različne tehnologije in ne težave, ki jih rešujejo, temveč tiste, ki jih ustvarjajo (npr. Etična vprašanja, težave z veliko podatkov, težava s črno polje in razlago itd.).

Če imate pripombe o izboljšanju obstoječega dela ali predloge, kako vgraditi ta dva dodatna koraka, prosimo, pridite!

In če ste podjetje, ki sodeluje s katero koli od zgoraj omenjenih tehnologij, bi rad z vami še več.

Razkritje: Zemljevid znanja AI je bil razvit s strateškim svetovanjem na področju inovacij Axilo za dejavnosti na njihovi platformi Chôra.

Reference

Agrawal, A., Gans, J., Goldfarb, A. (2018). "Stroji za napovedovanje: Enostavna ekonomika umetne inteligence". Harvard Business Review Press.

Domingos, P. (2015). "Glavni algoritem: Kako bo prizadevanje za vrhunski učni stroj preoblikovalo naš svet". New York: Osnovne knjige.