Andrey Homich està segur que les màquines poden resoldre moltes més tasques, però la gent no pot donar-los els algoritmes necessaris

Andrey Homich està segur que les màquines poden resoldre moltes més tasques, però la gent no pot donar-los els algoritmes necessaris

L’aprenentatge automàtic és un intent d’estimular la intel·ligència a través de la formació d’algoritmes informàtics. La història del desenvolupament de la intel·ligència artificial va començar amb la màquina de Turing. S’ha demostrat que un dispositiu simple pot calcular qualsevol cosa que es pugui calcular. Hi va haver un problema: com ensenyar al dispositiu a calcular una cosa que seria útil per a una persona.

Als anys seixanta i setanta, quan els sentits de la investigació competien pel finançament, hi va haver intents de simular la intel·ligència com un raonament estrictament lògic i va començar el desenvolupament intensiu dels paradigmes de programació, els sistemes de marcs de Marvin Minsky. (1975), la lògica difusa de Lotfi Zadeh (1965), el perceptró de Frank Rosenblatt.

Avui, el nostre interlocutor és Andrey Homich, l’especialista en aprenentatge automàtic, l’enginyer de programari. La seva principal especialització és programari per a sistemes informàtics i sistemes descentralitzats. Recentment ha treballat en problemes de bases de dades, la complexitat de la computació, mètodes numèrics d’optimització, estadística aplicada i intel·ligència artificial, metafísica i filosofia.

Quins són els resultats del desenvolupament de la intel·ligència artificial i l’aprenentatge automàtic ara?

Hi ha dues direccions de desenvolupament. El primer és el bàsic dels sistemes de coneixement i notificació en medicina i altres àrees limitades. Ha estat impossible crear una intel·ligència artificial sòlida, però hi ha alguns efectes secundaris útils.

La segona àrea són les xarxes neuronals formals que no tenen res en comú amb les organitzacions d’aprenentatge natural. De fet, representen els mètodes d’enfocament no lineal amb un tipus particular de funcions. La seva aplicació és limitada i sempre està unida a altres tecnologies en tasques de reconeixement de mostres. És la digitalització de textos, la detecció de cares, la classificació d’objectes.

Quina és la vostra visió sobre l’estat actual dels esdeveniments en el camp de la intel·ligència artificial?

El desenvolupament de les àrees de bases de coneixement i sistemes de producció estan actualment en suspens. El desenvolupament de la tecnologia de programació també s’atura. Crec que la meva visió té una raó, com a especialista en llenguatges d’acoblament i C, als llenguatges formals més moderns com Java i Golang. La màquina pot resoldre moltes més tasques, però la gent no pot donar a les màquines els algoritmes necessaris.

Les últimes innovacions significatives en l’aprenentatge automàtic són les xarxes convolucionals (Yann LeCun, 1988) i la capacitació coherent que es va aplicar per primera vegada a les xarxes Kohonen (Teuvo Kohonen Kalevi, 1988). Hi ha hagut un bloqueig en totes les àrees des de la dècada de 1990 del segle passat amb un resultat que està molt lluny dels objectius declarats inicialment.

Amb capacitats de computació més econòmiques, es va crear una oportunitat per utilitzar alguns mètodes d’optimització exigents, com els algoritmes evolutius, el mètode automàtic de Boltzmann. De fet, gràcies a la «força bruta» hem ampliat una mica l’abast de l’aplicació de les tecnologies de la segona meitat del segle passat. Tota la resta és només màrqueting, l’art de promoure l’antic en un nou envàs.

En el passat, hem desenvolupat juntes xarxes neuronals modulars i algoritmes genèticament evolutius. Quina ha estat la seva experiència més profunda amb l’ús de l’aprenentatge automàtic i la tecnologia d’intel·ligència artificial?

En termes d’aplicacions pràctiques, això implicava principalment la qualificació creditícia dels bancs, l’optimització de campanyes publicitàries, la previsió del mercat financer i l’anàlisi de dades de text. En particular, la tecnologia de les xarxes neuronals formals per a la classificació dels clients del banc segons el risc de fallida. També he aplicat la tecnologia en la pràctica per crear bases de dades a partir de textos parcialment ordenats.

Quines són les seves idees sobre el desenvolupament de l’aprenentatge automàtic i la intel·ligència artificial?

La idea és modelar complexos neuronals. Per exemple, utilitzeu hipòtesis actives, com les columnes de neocòrtex al cervell d’animals superiors, inclosos els humans, com el millor nivell de simulació d’intel·ligència. Aquests complexos es poden presentar relativament com a mini-bio-ordinadors universals. Fins i tot si tenen poca memòria i programari senzill, però exerceixen el paper d’aprendre bio-màquines de Turing. La llista de mini-ordinadors elimina les limitacions dels noms individuals.

La «neurona formal” només permet calcular la suma ponderada dels senyals i aplicar-li un transformador simple no lineal. A diferència de la «neurona formal», podem permetre’ns una major funcionalitat per al nostre nou mòdul d’ordinador. Per exemple, podem crear una «habitació xinesa» intel·ligent.

El filòsof John Searle va introduir la noció de “Cambra xinesa” el 1980. Va oferir l’experiència mental dissenyada per demostrar la incapacitat de la màquina per comprendre. En resum, aquesta és una habitació amb dues finestres. Els textos en xinès es reben en una de les finestres, i els textos de la sala surten per l’altra finestra. A la sala hi ha un home, que no sap l’idioma xinès, però que té instruccions sobre com reemplaçar certs caràcters amb altres, per obtenir un nou text que finalment ho faci públic. Amb les instruccions correctes, als observadors externs els pot semblar que la persona que està dins de l’habitació és un diàleg significatiu, però en realitat només està seguint les instruccions automàticament.

La paradoxa és que observem l’alliberament de bloqueig d’intel·ligència artificial en aquest experiment. El fet és que presentem el intel·lecte com una propietat purament funcional de l’organisme. L’intel·lecte, la capacitat d’aprendre i reaccionar davant de situacions de diferents formes és necessari per al cos pel bé de la prosperitat de la seva població.

“Comprendre” no és necessari per a aquesta tasca. Una persona ha de trobar menjar, evitar el perill i reproduir-se. La solució a aquests reptes és la creació de l’entorn per a l’organisme, des d’un formiguer fins a una metròpoli humana i bases espacials. En el procés d’evolució, la natura ha descobert per casualitat que la intel·ligència és una eina útil per a un individu i indirectament per a la seva població. Va crear la intel·ligència del que estava a la mà: cèl·lules, combinacions moleculars, reaccions químiques i fenòmens físics. Per tant, la intel·ligència és estrictament material i és probable que s’estudiï sense la necessitat de baixar al nivell de la mecànica quàntica. La “cambra xinesa” es converteix en equivalent a la màquina de Turing en el procés de la seva formalització. Si hi ha alguna cosa que no podem considerar com una “cambra xinesa”, normalment no podem calcular-lo.

Hem canviat lleugerament l’experiència original. No donem instruccions preparades al “llogater de la cambra xinesa”. Té un bloc de notes per gravar les instruccions ell mateix, un llapis i un esborrador. Només pot rebre confirmació de l’exterior per a les accions «correctes». Els lliuraments del que es necessita, com en realitat, poden retardar i les interrupcions són possibles a causa de factors desconeguts.

Quins són els resultats d’aquests experiments?

Vam passar més temps creant programes prototipus. Gràcies a això, podem resoldre el problema gairebé immediatament, la qual cosa és molt costosa de resoldre amb sistemes de raonament formal, sistemes d’aprenentatge automàtic. La tasca consistia a restaurar forats en grups de caràcters amb dependències complexes, per exemple, quan un element d’un grup depèn de la combinació de centenars o més caràcters adjacents. Això és similar a la complexitat de les seqüències simbòliques del llenguatge natural.

Parlant teòricament, és clar, podem resoldre el problema utilitzant l’aprenentatge automàtic convencional. L’únic problema és la disponibilitat i el cost dels recursos, que són dades, temps, energia, diners i la disponibilitat d’experts altament qualificats en àrees limitades.

Estem preparats per a resoldre una gamma més àmplia de tasques i amb un component empresarial més ampli en el futur. Per exemple, l’optimització de campanyes publicitàries en xarxes socials, l’establiment de sistemes de notificació, que de forma automàtica i individual proporcionen contingut digital al consumidor. L’objectiu final és la creació d’una tecnologia industrial única d’intel·ligència artificial.

Hi ha moltes plataformes d’aprenentatge automàtic dissenyades ara. Què falta en totes aquestes solucions?

Hi ha una creixent demanda de sistemes d’aprenentatge automàtic independents. Però la creació d’un “cervell” per a aquests sistemes encara està en el nivell “d’art”, en el nivell de solucions individuals exclusivament. El sector necessita un nivell industrial.

Quines són les perspectives per a l’aprenentatge automàtic? Què creu que passarà després?

Quin és l’error d’investigadors anteriors? Al meu entendre, alguns d’ells van utilitzar un nivell de detall molt alt (sistemes formals i bases de coneixement). Altres van utilitzar nivells molt baixos de detall, el nivell de cèl·lules individuals, neurones.

Necessitem tornar una mica a les situacions inicials, pensar de manera crucial sobre l’experiència adquirida i comparar-la amb les dades acumulades de les ciències biològiques.

Entrevista: Ivan Stepanyan

Read more: Ciència i enginyeria modernes amb Ivan Stepanyan ...