ENG
Перейти в Дзен
Технологии

Машинное обучение, ИИ, нейросети: важнейшие тренды 2017—2018 гг

Neural Information Processing Systems (NIPS)   один из ведущих форумов по машинному обучению (МО) и прикладным нейросетям. На этой площадке показываются не только конкретные достижения индустрии искусственного интеллекта (ИИ) и глубокого обучения, но и ее общие направления. Конференция, состоявшаяся в 2017 году, и доклады, заявленные в программе NIPS-2018 (декабрь 2018), позволяют отметить четыре популярных направления обсуждения в МО- и ИИ-сообществе.

Объективность в МО

Одной из актуальных проблем в аналитике и МО является концепция объективности, или справедливости. В предыдущие этапы развития МО подразумевалось, что модели, или роботы будущего, в отличие от людей, будут производить объективные и непредвзятые результаты. Однако в настоящий момент МО-сообщество задалось вопросом:

«Как можно гарантировать, что разрабатываемые модели и системы свободны от предвзятости и предрассудков их разработчиков»?

Предвзятость в МО может быть результатом нескольких факторов: некорректных или неполных входных данных, ошибок в проектировании модели, неправильной интерпретации результатов. Также в современном МО из-за сложности алгоритмов зачастую нелегко получить объяснение, каким образом было получено решение (проблема модели как «черного ящика»). В результате необъективные (предвзятые) результаты модели приводят к ошибочным бизнес-решениям. Для бизнеса в настоящий момент это имеет большое значение в таких приложениях, как оценка рисков кредитования, защита от мошенничества или аналитика рынка труда. Важность проблемы предвзятости в МО подчеркивает тот факт, что такие компании, как Google, Facebook, Amazon, Microsoft, IBM, активно участвуют в ее обсуждении и начали предлагать первые решения.

Решение проблемы игр с неполной информацией

«Когда же машина сможет постоянно выигрывать у человека в интеллектуальные игры?» — этот вопрос задавался с первых шагов в МО.

В играх, где соперники владеют полной информацией, машина уже победила человека: найдены оптимальные алгоритмы для победы или как минимум ничьей (например, в шахматах в 2011 году, в шашках в 2007 году). В играх, где информация неполная, человек до последнего времени одерживал верх. Одной из таких игр является популярная карточная игра покер, где соперники не только не знают карт друг друга, но и возможен блеф (повышение ставок при не самых лучших картах на руках). Человек может попытаться определить, блефует ли соперник, опираясь на свою интуицию, которой — в теории — нет у машины. На NIPS-2017 была представлена модель Libratus, позволяющая обыграть человека и в покер. В 2017 году Libratus участвовала в покерном турнире против четырех игроков, одних из лучших покеристов мира, и выиграла его. В играх с неполной информацией невозможно доказать, что алгоритм оптимальный, так что, вполне возможно, человек выиграет «матч-реванш» в покере. Но сам факт выигрыша машины у лучших покеристов мира говорит о многом.

Искусственный интеллект и самообучение

Область искусственного интеллекта (ИИ) достигла больших успехов в таких областях, как автоматическое распознавание сложных объектов (например, распознавание лиц) или обработка и выполнение звуковых команд. Однако человеческий интеллект также включает в себя и другие способности, прежде всего — самообучение. Одна из наиболее «горячих тем» в ИИ сегодня — реконструирование возможностей человеческого интеллекта и применение их для того, чтобы машины умели мыслить как человек, включая самообучение. Один из подходов к этому — использование методов обучения с использованием современных игровых платформ и теории вероятности.

В частности, алгоритмы графических и видеоигровых платформ моделируют, как люди воспринимают трехмерные структуры, и в процессе видеоигры учат работать с объектами, базируясь на их физических характеристиках (круглое, мягкое, большое, опасное, полезное и т.д. ). Эти алгоритмы используются в самообучающихся моделях, то есть ИИ моделирует и повторяет процесс обучения человека видеоигре. Этот подход уже используется в интерактивном анализе данных, роботостроении и моделировании научных открытий, то есть ИИ «работает» как исследователь или ученый.

Глубокое обучение для прогнозирования будущего

Люди хотят знать, что их ждет в будущем, будь то фондовый рынок, экономика, бизнес-планирование или транспортные пробки. В настоящий момент самая распространенная методология прогнозирования будущих процессов — временной ряд. При всех своих преимуществах ее главный недостаток — предположение, что прогнозируемый процесс (фондовые котировки, состояние экономики, курс валюты) в будущем унаследует основные характеристики прошлых изменений. Это затрудняет точное прогнозирование редких или никогда ранее не случавшихся явлений: кризисов из-за терактов или войн, неожиданных падений экономик и рынков, сверхдлительного экономического роста и т.д. 

В работах, представленных на NIPS-2017, демонстрировались попытки обойти это ограничение. В частности, дискутировали о применении глубокого обучения для прогнозирования. Главное преимущество глубокого обучения — возможность синтезировать множество факторов, влияющих на прогнозируемый процесс. Было отмечено, что глубокое обучение делает свои первые шаги во временных рядах; впрочем, учитывая скорость развития МО, уже совсем скоро можно будет обсуждать конкретные результаты.

Авторы: Владимир Ясеновский, Ал Самми

Следите за нашими новостями в удобном формате
Перейти в Дзен

Предыдущая статьяСледующая статья