leestott
eaff2e5814
|
2 weeks ago | |
|---|---|---|
| .. | ||
| README.md | 2 weeks ago | |
| assignment.md | 3 weeks ago | |
README.md
История машинного обучения
Скетчноут от Tomomi Imura
Тест перед лекцией
🎥 Нажмите на изображение выше, чтобы посмотреть короткое видео, связанное с этим уроком.
В этом уроке мы рассмотрим ключевые этапы в истории машинного обучения и искусственного интеллекта.
История искусственного интеллекта (ИИ) как области тесно связана с историей машинного обучения, поскольку алгоритмы и вычислительные достижения, лежащие в основе ML, способствовали развитию ИИ. Важно помнить, что, хотя эти области начали формироваться как отдельные направления исследований в 1950-х годах, важные алгоритмические, статистические, математические, вычислительные и технические открытия предшествовали этому периоду и пересекались с ним. На самом деле, люди размышляли над этими вопросами сотни лет: эта статья обсуждает исторические интеллектуальные основы идеи «мыслящей машины».
Значимые открытия
- 1763, 1812 Теорема Байеса и её предшественники. Эта теорема и её приложения лежат в основе вывода, описывая вероятность события на основе предварительных знаний.
- 1805 Метод наименьших квадратов, предложенный французским математиком Адриеном-Мари Лежандром. Этот метод, о котором вы узнаете в нашем разделе о регрессии, помогает в подгонке данных.
- 1913 Цепи Маркова, названные в честь русского математика Андрея Маркова, используются для описания последовательности возможных событий на основе предыдущего состояния.
- 1957 Перцептрон — это тип линейного классификатора, изобретённый американским психологом Фрэнком Розенблаттом, который стал основой для достижений в области глубокого обучения.
- 1967 Метод ближайших соседей — алгоритм, изначально разработанный для построения маршрутов. В контексте ML он используется для выявления закономерностей.
- 1970 Обратное распространение ошибки используется для обучения прямых нейронных сетей.
- 1982 Рекуррентные нейронные сети — это искусственные нейронные сети, созданные на основе прямых нейронных сетей, которые формируют временные графы.
✅ Проведите небольшое исследование. Какие ещё даты кажутся вам ключевыми в истории ML и ИИ?
1950: Машины, которые думают
Алан Тьюринг, поистине выдающийся человек, который был признан общественностью в 2019 году величайшим учёным XX века, считается одним из основателей концепции «машины, которая может думать». Он боролся с критиками и своей собственной потребностью в эмпирических доказательствах этой концепции, частично создав Тест Тьюринга, который вы изучите в наших уроках по обработке естественного языка.
1956: Летний исследовательский проект в Дартмуте
«Летний исследовательский проект в Дартмуте по искусственному интеллекту стал знаковым событием для этой области», и именно здесь был введён термин «искусственный интеллект» (источник).
Каждый аспект обучения или любой другой черты интеллекта может быть описан настолько точно, что можно создать машину, которая будет его имитировать.
Главный исследователь, профессор математики Джон Маккарти, надеялся «продолжить работу, исходя из предположения, что каждый аспект обучения или любой другой черты интеллекта может быть описан настолько точно, что можно создать машину, которая будет его имитировать». Среди участников был ещё один выдающийся учёный в этой области — Марвин Мински.
Семинар считается началом и стимулом для обсуждений, включая «рост символических методов, систем, ориентированных на ограниченные области (ранние экспертные системы), и дедуктивные системы против индуктивных систем». (источник).
1956 - 1974: «Золотые годы»
С 1950-х годов до середины 70-х годов царил оптимизм в отношении того, что ИИ сможет решить множество проблем. В 1967 году Марвин Мински уверенно заявил: «В течение одного поколения... проблема создания "искусственного интеллекта" будет в значительной степени решена». (Мински, Марвин (1967), Вычисления: конечные и бесконечные машины, Энглвуд-Клиффс, Нью-Джерси: Прентис-Холл)
Исследования в области обработки естественного языка процветали, поиск был усовершенствован и стал более мощным, а концепция «микромиров» была создана, где простые задачи выполнялись с использованием инструкций на естественном языке.
Исследования хорошо финансировались государственными агентствами, были достигнуты успехи в вычислениях и алгоритмах, и были созданы прототипы интеллектуальных машин. Некоторые из этих машин включают:
-
Шейки, робот, который мог маневрировать и решать, как выполнять задачи «интеллектуально».
Шейки в 1972 году
-
Элиза, ранний «чат-бот», могла общаться с людьми и выступать в роли примитивного «терапевта». Вы узнаете больше об Элизе в уроках по обработке естественного языка.
Версия Элизы, чат-бота
-
«Мир блоков» был примером микромира, где блоки можно было складывать и сортировать, а эксперименты по обучению машин принимать решения могли быть протестированы. Достижения, построенные с использованием библиотек, таких как SHRDLU, помогли продвинуть обработку языка.
🎥 Нажмите на изображение выше, чтобы посмотреть видео: Мир блоков с SHRDLU
1974 - 1980: «Зима ИИ»
К середине 1970-х годов стало очевидно, что сложность создания «интеллектуальных машин» была недооценена, а их обещания, учитывая доступную вычислительную мощность, были преувеличены. Финансирование сократилось, и уверенность в этой области ослабла. Некоторые проблемы, повлиявшие на уверенность, включают:
- Ограничения. Вычислительная мощность была слишком ограниченной.
- Комбинаторный взрыв. Количество параметров, которые нужно было обучить, росло экспоненциально, по мере того как компьютерам задавали всё больше задач, без параллельной эволюции вычислительной мощности и возможностей.
- Недостаток данных. Недостаток данных мешал процессу тестирования, разработки и совершенствования алгоритмов.
- Мы задаём правильные вопросы?. Сами вопросы, которые задавались, начали подвергаться сомнению. Исследователи столкнулись с критикой своих подходов:
- Тесты Тьюринга подверглись сомнению, среди прочего, из-за теории «китайской комнаты», которая утверждала, что «программирование цифрового компьютера может создать видимость понимания языка, но не может привести к настоящему пониманию». (источник)
- Этика внедрения искусственного интеллекта, такого как «терапевт» Элиза, в общество была поставлена под вопрос.
В то же время начали формироваться различные школы мысли в области ИИ. Установилось разделение между практиками "небрежного" и "аккуратного ИИ". Небрежные лаборатории часами настраивали программы, пока не получали желаемый результат. Аккуратные лаборатории «сосредотачивались на логике и формальном решении задач». Элиза и SHRDLU были известными небрежными системами. В 1980-х годах, когда возник спрос на воспроизводимость систем ML, аккуратный подход постепенно вышел на первый план, поскольку его результаты более объяснимы.
1980-е: Экспертные системы
По мере роста области её польза для бизнеса становилась всё более очевидной, и в 1980-х годах началось распространение «экспертных систем». «Экспертные системы были одними из первых действительно успешных форм программного обеспечения искусственного интеллекта (ИИ)». (источник).
Этот тип системы является гибридным, частично состоящим из движка правил, определяющего бизнес-требования, и движка вывода, который использует систему правил для выведения новых фактов.
В этот период также увеличилось внимание к нейронным сетям.
1987 - 1993: «Охлаждение ИИ»
Распространение специализированного оборудования для экспертных систем имело неприятный эффект чрезмерной специализации. Рост персональных компьютеров также конкурировал с этими крупными, специализированными, централизованными системами. Началась демократизация вычислений, которая в конечном итоге проложила путь к современному взрыву больших данных.
1993 - 2011
Этот период ознаменовал новую эпоху для ML и ИИ, которые смогли решить некоторые проблемы, вызванные ранее недостатком данных и вычислительной мощности. Объём данных начал быстро увеличиваться и становиться более доступным, как в положительном, так и в отрицательном смысле, особенно с появлением смартфонов около 2007 года. Вычислительная мощность росла экспоненциально, а алгоритмы развивались вместе с ней. Область начала приобретать зрелость, поскольку свободные дни прошлого начали кристаллизоваться в настоящую дисциплину.
Сегодня
Сегодня машинное обучение и ИИ затрагивают практически все аспекты нашей жизни. Этот период требует внимательного понимания рисков и потенциальных последствий этих алгоритмов для человеческой жизни. Как заявил Брэд Смит из Microsoft: «Информационные технологии поднимают вопросы, которые затрагивают основы защиты прав человека, такие как конфиденциальность и свобода выражения. Эти вопросы усиливают ответственность технологических компаний, создающих эти продукты. На наш взгляд, они также требуют вдумчивого государственного регулирования и разработки норм, касающихся приемлемого использования» (источник).
Остаётся только гадать, что ждёт нас в будущем, но важно понимать эти компьютерные системы, а также программное обеспечение и алгоритмы, которые они используют. Мы надеемся, что эта учебная программа поможет вам лучше понять эту область, чтобы вы могли сделать собственные выводы.
🎥 Нажмите на изображение выше, чтобы посмотреть видео: Янн Лекун рассказывает об истории глубокого обучения в этой лекции
🚀Задание
Углубитесь в один из этих исторических моментов и узнайте больше о людях, стоящих за ними. Это увлекательные личности, и ни одно научное открытие никогда не создавалось в культурном вакууме. Что вы обнаружите?
Тест после лекции
Обзор и самостоятельное изучение
Вот материалы для просмотра и прослушивания:
Этот подкаст, где Эми Бойд обсуждает эволюцию ИИ
Задание
Отказ от ответственности:
Этот документ был переведен с использованием сервиса автоматического перевода Co-op Translator. Несмотря на наши усилия обеспечить точность, автоматические переводы могут содержать ошибки или неточности. Оригинальный документ на его исходном языке следует считать авторитетным источником. Для получения критически важной информации рекомендуется профессиональный перевод человеком. Мы не несем ответственности за любые недоразумения или неправильные интерпретации, возникающие в результате использования данного перевода.