Najveća prepreka s AI

Prisjetite se izazova u svom životu koji se nekad činio nemogućim; možda će vas promovirati u položaj kakav ste oduvijek željeli na poslu ili se pridržavati nove rutine vježbanja svaki dan. Što je potrebno da započnete istraživanje nečeg novog iako je to isprva zastrašujuće? Kao što sam nedavno saznao započinjući s umjetnom inteligencijom, najteži dio prevladavanja ovakvih izazova je uvjeravanje sebe da se prvo pokrenete.

Umjetna inteligencija nije samo za lude znanstvenike

Umjetna inteligencija posljednjih godina ima veliku pozornost u medijima. Čini se da svaki dan visoko obučeni znanstvenici otkrivaju način kako to primijeniti u još jednoj industriji. Pomisao da bi obični ljudi mogli otkriti i korištenje ove tehnologije može se činiti nasmijanim, pogotovo s obzirom na potrebna tehnička znanja. No nedavno sam otkrio da je to više nego moguće stvorivši svoju prvu neurološku mrežu za prepoznavanje rukom pisanih znamenki (ako niste upoznati s neuronskim mrežama, pogledajte moj uvod o temi Medium).

Što točno podrazumijeva prepoznavanje rukom pisanih znamenki? U osnovi, neuronska mreža izgleda [vrlo zamagljeno, hvala za podatke američkih vlada] s brojevima kao što je ovaj:

A onda odlučuje koji je broj koji vidi. To se može činiti izravnim i jednostavnim zadatkom. Zašto bi nekome trebalo nešto tako složeno kao što je Umjetna inteligencija da bi to učinio? Zapravo, vrlo je teško prepoznati rukopisne znamenke. Na primjer, pokušajte to identificirati:

Vjerojatno biste se složili da to nije tako lako zadatak, ali neuronske mreže mogu postići približno savršenu točnost u ovome (moja osnovna neuronska mreža dostigla je oko 94% točnosti, dok profesionalno optimizirane verzije dobivaju do 99,79% točnosti) , Vizualno prepoznavanje poput ove koristi se u mnogim aplikacijama, kao što su Google Translate i Search, ali ima i implicitnije uporabe; razmotrite kako, primjerice, samovozeći automobili obrađuju znakove brzine oko njih. S obzirom na ove važne i prevladavajuće uporabe klasifikatorskih neuronskih mreža, mislio sam da će se moj prvi posao u tehnologiji dobro uklopiti u ovo polje.

Potrebno učenje? Da. Moguće učenje? Definitivno

Morao sam naučiti nove podatke o tehničkim aspektima umjetne inteligencije da bih to učinio, ali bio je prilično upravljiv i trebalo mi je samo nekoliko dana. Ključne lekcije koje sam morao naučiti bile su zapravo razumjeti zašto algoritmi koji se nalaze iza neuronskih mreža djeluju, a ne samo tehničke karakteristike njihovog kodiranja. Ovi detalji uključuju:

  1. Kako se podaci koriste u neuronskim mrežama;
  2. Kako su prilagođeni težine i pristranosti neurona (postavke);
  3. Kako utezi i pristranosti (postavke) utječu na rezultat;
  4. I kako minimizirati pogreške i učiniti mrežu točnijom.

Prva točka, prije svega, osjetljiva je na loše planiranje i izvršavanje. Ako vaši podaci nisu primjereni, cijeli sustav ne radi. Američka vlada naučila je ovu skupu grešku kada je pokušala napraviti pomoć neuronske mreže za tenkove, ali zabavno je završila s višemilijunskim vremenskim detektorom zbog problema s podacima (saznajte više ovdje).

Naravno, bilo je trenutaka u kojima su tehnički aspekti algoritama bili vrlo složeni za shvatiti. Na primjer, neuronske mreže imaju mnogo algoritama koji se temelje na računu, s lijepim jednadžbama i oznakama kao što su:

Razumijevanje zašto algoritmi koji stoje iza tih jednadžbi rade, međutim, omogućilo mi je da prevladam ovu poteškoću znajući što mreža radi na svakom koraku.

Što ako želim pokušati?

Pa se možda sada pitate: „Pa, ako je stvarno tako jednostavno, mogu li to sam učiniti?“ Da! Glavni preduvjet koji vam treba je poznavanje zajedničkog programskog jezika kao što je Python. Ovi programski jezici imaju mnogo prečaca, poput vanjskih knjižnica na Pythonu, koje vam omogućuju da prevladate poteškoće složenih jednadžbi poput onih gore. Uz to, slike rukom pisanih znamenki slobodno su dostupne iz baze podataka MNIST vlade SAD-a, a na mreži se nalazi mnoštvo udžbenika koji objašnjavaju kako i zašto djeluju neuronske mreže, umjesto da daju samo tehničke detalje.

Sve u svemu, umjetna inteligencija može izgledati frustrirajuće izvan dosega prosječne osobe, ali najteži dio je zapravo tek početak. Zaista, neki detalji izgledaju kao da su došli s drugog planeta, ali razumijevanje što mreža radi zaobilazi sve to. Napokon, kako je rekao Nelson Mandela, "Uvijek se čini nemogućim sve dok se to ne učini."

Ako želite vidjeti kako funkcionira moja neuronska mreža, možete je pronaći u mom Github Repozitorijumu. Ako želite saznati više o funkcioniranju neuronskih mreža, pogledajte ove resurse:

https://www.youtube.com/watch?v=aircAruvnKk&t=1000s

http://neuralnetworksanddeeplearning.com/chap1.html