localizeflow[bot]
69605c1e65
|
3 weeks ago | |
|---|---|---|
| .. | ||
| README.md | 3 weeks ago | |
| assignment.md | 8 months ago | |
README.md
История машинного обучения
Скетчноут от Tomomi Imura
Викторина перед лекцией
🎥 Нажмите на изображение выше для короткого видео с разбором этого урока.
В этом уроке мы пройдемся по основным этапам истории машинного обучения и искусственного интеллекта.
История искусственного интеллекта (ИИ) как области тесно переплетена с историей машинного обучения, так как алгоритмы и вычислительные достижения, лежащие в основе МЛ, способствовали развитию ИИ. Полезно помнить, что хотя эти области как отдельные направления исследования начали формироваться в 1950-х годах, важные алгоритмические, статистические, математические, вычислительные и технические открытия предшествовали и пересекались с этой эпохой. На самом деле, люди задумывались над этими вопросами сотни лет: эта статья обсуждает исторические интеллектуальные основы идеи 'мыслящей машины.'
Значимые открытия
- 1763, 1812 Теорема Байеса и ее предшественники. Эта теорема и ее применения лежат в основе вывода, описывая вероятность события на основе предварительных знаний.
- 1805 Теория наименьших квадратов, разработанная французским математиком Адриеном-Мари Лежандром. Эта теория, о которой вы узнаете в разделе регрессии, помогает подгонять данные.
- 1913 Цепи Маркова, названные в честь российского математика Андрея Маркова, используются для описания последовательности возможных событий на основе предыдущего состояния.
- 1957 Персептрон — тип линейного классификатора, изобретённый американским психологом Фрэнком Розенблаттом, лежащий в основе достижений глубокого обучения.
- 1967 Ближайший сосед — алгоритм, изначально разработанный для картографирования маршрутов. В контексте МЛ он используется для обнаружения шаблонов.
- 1970 Обратное распространение используется для обучения прямых нейронных сетей.
- 1982 Рекуррентные нейронные сети — искусственные нейронные сети, производные от прямых, которые создают временные графы.
✅ Проведите небольшое исследование. Какие еще даты вы считаете ключевыми в истории МЛ и ИИ?
1950: Машины, которые мыслят
Алан Тьюринг, поистине выдающийся человек, который был признан общественностью в 2019 году величайшим ученым XX века, считается одним из основателей концепции 'машины, способной мыслить.' Он боролся с критиками и своей собственной необходимостью эмпирических доказательств этой концепции, в том числе создав Тест Тьюринга, который вы изучите в наших уроках по обработке естественного языка.
1956: Летний исследовательский проект в Дартмуте
"Летний исследовательский проект по искусственному интеллекту в Дартмуте был ключевым событием для искусственного интеллекта как области," и именно там был введен термин 'искусственный интеллект' (источник).
Каждый аспект обучения или любой другой признак интеллекта может в принципе быть описан настолько точно, что можно создать машину, которая будет его имитировать.
Главным исследователем был профессор математики Джон Маккарти, который надеялся "двигаться исходя из предположения, что каждый аспект обучения или любой другой признак интеллекта может в принципе быть описан настолько точно, что можно создать машину, которая будет его имитировать." Среди участников был еще один светило в этой области — Марвин Мински.
Эта конференция считается инициатором и вдохновителем нескольких обсуждений, включая «возвышение символических методов, систем, ориентированных на ограниченные области (ранние экспертные системы), и дедуктивных систем vs индуктивных» (источник).
1956 - 1974: "Золотые годы"
С 1950-х и до середины 70-х оптимизм был высоким с надеждой, что ИИ сможет решить множество проблем. В 1967 году Марвин Мински выразил уверенность, что "в течение одного поколения ... проблема создания 'искусственного интеллекта' будет существенно решена." (Мински, Марвин (1967), Computation: Finite and Infinite Machines, Englewood Cliffs, N.J.: Prentice-Hall)
Исследования по обработке естественного языка процветали, поиск совершенствовался и становился мощнее, а также была создана концепция 'микромиров', в рамках которых простые задачи выполнялись с помощью обычных языковых инструкций.
Исследования были хорошо финансируемы государственными учреждениями, достигались успехи в вычислениях и алгоритмах, и строились прототипы интеллектуальных машин. Некоторые из этих машин включают:
-
Робот Шейки, который мог маневрировать и принимать решения о том, как выпонять задачи 'интеллигентно'.
Шейки в 1972 году
-
Элайза, один из первых 'чатботов', могла общаться с людьми и выступать в роли примитивного 'терапевта'. Вы узнаете больше об Элайзе в уроках по НЛП.
Версия Элайзы, чатбот
-
"Мир блоков" был примером микромира, где блоки можно было складывать и сортировать, а эксперименты по обучению машин принимать решения могли проводиться. Достижения на основе библиотек таких как SHRDLU способствовали развитию обработки языка.
🎥 Нажмите на изображение выше для видео: Мир блоков с SHRDLU
1974 - 1980: "Зима ИИ"
К середине 1970-х стало очевидно, что сложность создания 'интеллектуальных машин' была недооценена, а его обещания, учитывая доступные вычислительные мощности, были преувеличены. Финансирование иссякло, и доверие к области снизилось. Некоторые проблемы, повлиявшие на уровень доверия, включали:
- Ограничения. Вычислительные мощности были слишком ограничены.
- Комбинаторный взрыв. Количество параметров, требующих обучения, росло экспоненциально с увеличением требований к компьютерам, без параллельного роста вычислительных мощностей и возможностей.
- Недостаток данных. Нехватка данных препятствовала процессу тестирования, разработки и совершенствования алгоритмов.
- Задаем ли мы правильные вопросы?. Поставленные вопросы сами начали вызывать сомнения. Исследователи стали сталкиваться с критикой своих подходов:
- Тесты Тьюринга подверглись сомнению с помощью, среди прочего, теории «китайской комнаты», которая утверждала, что "программирование цифрового компьютера может создавать видимость понимания языка, но не может привести к настоящему пониманию." (источник)
- Этические вопросы внедрения искусственных интеллектов, таких как «терапевт» Элайза, в общество были поставлены под сомнение.
В то же время начали формироваться разные школы мысли в ИИ. Установилась дихотомия между практиками "грязного" и "чистого ИИ". Грязные лаборатории подгоняли программы часами до нужного результата. Чистые лаборатории "сосредотачивались на логике и формальном решении задач". Элайза и SHRDLU были известными грязными системами. В 80-х, с понижением спроса на воспроизводимость систем МЛ, чистый подход постепенно вышел на первый план, поскольку его результаты легче объяснять.
Экспертные системы 1980-х
По мере роста области становилось яснее ее значение для бизнеса, и в 1980-х распространились 'экспертные системы'. "Экспертные системы были одними из первых по-настоящему успешных форм искусственного интеллекта (ИИ) программного обеспечения." (источник).
Этот тип системы является на самом деле гибридным, состоящим частично из движка правил, определяющего бизнес-требования, и движка вывода, который использовал систему правил для выведения новых фактов.
В этой эпохе также возрастало внимание к нейронным сетям.
1987 - 1993: "Охлаждение" ИИ
Распространение специализированного аппаратного обеспечения для экспертных систем имело неблагоприятный эффект чрезмерной специализации. Рост персональных компьютеров также конкурировал с этими большими специализированными централизованными системами. Началась демократизация вычислительной техники, что в конечном итоге проложило путь к современному взрыву больших данных.
1993 - 2011
Эта эпоха ознаменовала новую эру для МЛ и ИИ, когда стало возможным решить некоторые проблемы, вызванные ранее нехваткой данных и вычислительной мощности. Количество данных начало быстро расти и становиться более доступным, как к лучшему, так и к худшему, особенно с появлением смартфонов около 2007 года. Вычислительная мощность росла экспоненциально, а алгоритмы развивались рядом с этим. Область стала приобретать зрелость, когда прежние свободные времена начали превращаться в настоящую дисциплину.
Сейчас
Сегодня машинное обучение и ИИ затрагивают почти все сферы нашей жизни. Эта эпоха требует внимательного понимания рисков и потенциальных эффектов этих алгоритмов на человеческие жизни. Как заявил Брэд Смит из Microsoft, "Информационные технологии поднимают вопросы, которые касаются фундаментальных прав человека, таких как конфиденциальность и свобода выражения. Эти вопросы увеличивают ответственность технологических компаний, создающих эти продукты. По нашему мнению, они также требуют продуманного государственного регулирования и разработки норм по приемлемому использованию" (источник).
Пока еще не ясно, что принесет будущее, но важно понимать эти компьютерные системы и программное обеспечение и алгоритмы, которые они используют. Мы надеемся, что этот учебный план поможет вам лучше понять эту область, чтобы вы могли принять собственное решение.
🎥 Нажмите на изображение выше для видео: Янн Лекун рассказывает об истории глубокого обучения в этой лекции
🚀Вызов
Изучите один из этих исторических моментов и узнайте больше о людях, стоящих за ними. Там есть увлекательные персонажи, и ни одно научное открытие не создавалось в культурном вакууме. Что вы узнаете?
Викторина после лекции
Обзор и самостоятельное изучение
Вот несколько материалов для просмотра и прослушивания:
Этот подкаст, в котором Amy Boyd обсуждает эволюцию ИИ
Задание
Отказ от ответственности: Этот документ был переведен с использованием сервиса машинного перевода Co-op Translator. Несмотря на наши усилия по обеспечению точности, имейте в виду, что автоматический перевод может содержать ошибки или неточности. Оригинальный документ на его исходном языке следует считать авторитетным источником. Для получения критически важной информации рекомендуется обратиться к профессиональному человеческому переводу. Мы не несем ответственности за любые недоразумения или неправильные толкования, возникшие в результате использования этого перевода.