J:
Kā dziļi spītīgiem tīkliem ir nozīme AI evolūcijā?
A:Raugoties uz to, dziļi spītīgi tīkli vienkārši "pievieno funkcionalitāti" esošajam tehnoloģiskajam konstruējumam - ģeneratīvajam pretstatu tīklam (GAN), taču patiesībā nesenā dziļi spītīgā tīkla evolūcija stāsta par būtiskām lietām par to, kā AI var attīstīties nozīmīga cilvēku lēmumu pieņemšanas modelēšana.
Dziļi spītīgais tīkls ir atkarīgs no divu AI "entītiju": "ģeneratora" un "diskriminētāja" mijiedarbības GAN. Ģenerators "ģenerē" saturu vai piemērus vai testa datus vai jebko citu, ko izvēlaties to saukt. Diskriminētājs ņem ievadi un sakārto to vai pieņem lēmumus, pamatojoties uz to. Šīs divas dziļi spītīgā tīkla daļas ir AI izpētes vajadzībām neatkarīgas vienības, taču tās darbojas kopā.
Ir svarīgi atzīmēt, ka pieejamā publiskā literatūra dziļi spītīgajos tīklos ir niecīga, šķiet, ka to veido neliels parasto aprakstu kopums labākajās Google ranžēšanas lapās. Viens no autoritatīvākajiem KDNuggets norāda uz “Goodfellow koeficienta” izmantošanu, kas pats par sevi nav atrodams, izmantojot Google meklēšanu. (Ians Labfolords ir datorzinātnieks, kam piešķirta dažu pamatideja, kas slēpjas dziļos spītīgajos tīklos.)
Tomēr dziļi spītīgā tīkla ideja tiek izskaidrota KDNuggets un citur: galvenā ideja ir tāda, ka ģenerators var "mēģināt pievilināt" diskriminētāju un ka diskriminatoru var padarīt "diskriminējošāku", līdz tas savā ziņā kļūst, jūtīgs savā "pašpārliecinātībā" un neizvēlas atgriezt rezultātus. Pēc tam notiek svarīgs nākamais solis: programma, izmantojot cilvēka iejaukšanos vai algoritmus, tiek "pierunāta", lai sniegtu atbildi.
Šajā modelī mēs sākam redzēt, kā AI veic milzīgu soli, sākot no datu modelēšanas vai apmācības kopu parsēšanas, līdz faktiski tādu augsta līmeņa lēmumu pieņemšanai, kuri, mūsuprāt, ir cilvēku sfērā. Novērtējot gan AI diskriminētāja "izvēles" modeļus, gan cilvēka "izvēles" modeļus, KDNuggets darbs citē Barija Švarca iesākto "Izvēles paradoksu". Dažās neatkarīgās emuāru ziņās ir aprakstīts, kā dziļi spītīgais tīkls būtībā izceļ cilvēku uzvedību: J. Jakovs Šterns ilgstošā IVR klājumā izklāsta pašreizējos ierobežojumus un iespējamo progresu, bet Aleksija Džolikoers-Martineau atklāj dažus no nesenajiem rezultātiem, ko GAN var radīt.
Tātad savā ziņā dziļu spītīgu tīklu primārā ietekme uz AI ir pētījumu pārorientācija vai paplašināšana ārpus lēmumu pieņemšanas veidiem, kas ir viegli piemērojami uzņēmējdarbībā, un jāveicina novatoriski pētījumi, lai datorus padarītu vēl līdzīgākus cilvēkiem. Šīs idejas uzņēmējdarbībā varētu būt ļoti daudz, taču tās nav tik sagrieztas un izžuvušas kā, piemēram, mašīnmācīšanās algoritmu pašreizējā piemērošana patērētāju ieteikumu motoriem vai viedo ML procesu izmantošana mārketingā. Šķiet, ka DSN pētījumi liek domāt, ka mēs varam padarīt AI entītijas jutīgākas, kas nes lielu risku, kā arī atlīdzību.
