Q:
Как глубокие упрямые сети играют роль в развитии ИИ?
A:На первый взгляд, глубоко упрямые сети просто «добавляют функциональность» к существующей технологической структуре, порождающей состязательной сети (GAN), но в действительности недавняя эволюция глубоко упрямой сети говорит нам фундаментальные вещи о том, как ИИ может развиваться в направлении значительное моделирование принятия решений человеком.
Глубокая упрямая сеть опирается на взаимодействие внутри GAN двух «сущностей» ИИ: «генератора» и «дискриминатора». Генератор «генерирует» контент, примеры или тестовые данные, или как вы их называете. Дискриминатор принимает входные данные и сортирует их или принимает решения на их основе. Эти две части глубоко упрямой сети являются независимыми объектами для целей исследования ИИ, но они работают вместе.
Важно отметить, что доступная общедоступная литература по глубоко упрямым сетям ограничена, и, похоже, состоит из небольшого набора общих описаний на главных страницах рейтинга Google. Один из самых авторитетных в KDNuggets ссылается на использование «коэффициента Гудфеллоу», который сам по себе не обнаруживается при поиске в Google. (Ян Гудфеллоу - ученый-компьютерщик, которому приписывают некоторые фундаментальные идеи, лежащие в основе глубоко упрямых сетей.)
Однако идея глубоко упрямой сети объясняется в KDNuggets и в других местах: основная идея состоит в том, что генератор может «пытаться обмануть» дискриминатор, и что дискриминатор можно сделать «более дискриминационным», пока он не станет, таким образом, , разум в своей "неуверенности в себе" и не хочет возвращать результаты. Затем происходит следующий важный шаг: программа, с помощью вмешательства человека или алгоритмов, «уговаривается» дать ответ.
В этой модели мы начинаем видеть, как ИИ делает огромный шаг, от простого моделирования данных или анализа обучающих наборов, до принятия решений на высоком уровне, которые мы считаем человеческими. Оценивая паттерны «выбора» ИИ-дискриминатора и паттерны «выбора» человека, статья KDNuggets ссылается на «Парадокс выбора», впервые предложенный Барри Шварцем. Некоторые независимые посты в блогах описывают, как глубоко упрямая сеть выделяет в основном человеческое поведение: Дж. Яков Стерн разъясняет текущие ограничения и возможный прогресс в длительной работе над IVR, а Алексия Жоликёр-Мартино раскрывает некоторые из недавних результатов, которые может дать GAN.
Таким образом, в некотором смысле, основное влияние глубоко упрямых сетей на ИИ заключается в переориентации или расширении исследований за пределы тех видов принятия решений, которые легко применимы к предприятию, и в продвижении инновационных исследований, направленных на то, чтобы сделать компьютеры еще более похожими на людей. Может быть любое количество применений этой идеи на предприятии, но они не так просты, как, скажем, текущее применение алгоритмов машинного обучения к механизмам рекомендаций потребителям или использование интеллектуальных процессов ML в маркетинге. Исследования DSN, кажется, позволяют предположить, что мы можем сделать объекты ИИ более разумными, что влечет за собой большой риск, а также вознаграждение.
