Q:
Hoe spelen diepe, koppige netwerken een rol in de evolutie van AI?
EEN:Op het eerste gezicht, "diep koppige netwerken" voegen eenvoudigweg functionaliteit toe aan een bestaand technologisch construct, het generative adversarial network (GAN), maar in werkelijkheid vertelt de recente evolutie van het diep koppige netwerk ons fundamentele dingen over hoe AI kan evolueren naar significante modellering van menselijke besluitvorming.
Het diep koppige netwerk is gebaseerd op het samenspel binnen de GAN van twee AI "entiteiten": de "generator" en de "discriminator". De generator "genereert" inhoud of voorbeelden of testgegevens of hoe u het ook wilt noemen. De discriminator neemt de input en sorteert deze of neemt beslissingen op basis daarvan. Deze twee delen van een diep koppig netwerk zijn onafhankelijke entiteiten voor AI-onderzoek, maar ze werken samen.
Het is belangrijk op te merken dat de beschikbare openbare literatuur over diepe koppige netwerken schaars is en lijkt te bestaan uit een kleine set algemene beschrijvingen op de toppagina's van Google. Een van de meest gezaghebbende, bij KDNuggets, citeert het gebruik van een "Goodfellow-coëfficiënt" die op zichzelf niet te ontdekken is via een Google-zoekopdracht. (Ian Goodfellow is een computerwetenschapper die wordt gecrediteerd met enkele van de fundamentele ideeën achter diepe koppige netwerken.)
Het idee van het diep koppige netwerk wordt echter uitgelegd bij KDNuggets en elders: het basisidee is dat de generator de discriminator kan "proberen te misleiden" en dat de discriminator "discriminerend" kan worden gemaakt totdat het op een bepaalde manier wordt, bewust in zijn 'zelftwijfel' en kiest er niet voor om resultaten te retourneren. Dan volgt een belangrijke volgende stap: het programma, hetzij door menselijke interventie of algoritmen, wordt "overgehaald" om een antwoord te geven.
In dit model beginnen we te zien dat AI een enorme stap zet, van het eenvoudig modelleren van gegevens of het parseren van trainingssets, tot het nemen van het soort beslissingen op hoog niveau waarvan we denken dat het in het menselijke domein is. Bij het evalueren van zowel de "keuze" -patronen van de AI-discriminator als de "keuze" -patronen van een mens, citeert het KDNuggets-stuk de "Paradox of Choice" ontwikkeld door Barry Schwartz. Sommige onafhankelijke blogposts beschrijven hoe het diep koppige netwerk in wezen menselijk gedrag benadrukt: J. Yakov Stern licht de huidige beperkingen en mogelijke vooruitgang toe in een lange dekvloer op IVR, en Alexia Jolicoeur-Martineau onthult enkele van de recente resultaten die GAN's kunnen opleveren.
Dus in zekere zin is de primaire impact van diepe koppige netwerken op AI om het onderzoek te heroriënteren of uit te breiden buiten de soorten besluitvorming die gemakkelijk van toepassing zijn op ondernemingen, en om baanbrekend onderzoek te bevorderen om computers nog meer op mensen te laten lijken. Er zou een willekeurig aantal toepassingen van dit idee voor ondernemingen kunnen zijn, maar ze zijn niet zo gek als bijvoorbeeld de huidige toepassing van machine learning-algoritmen op motoren voor consumentenaanbevelingen of het gebruik van slimme ML-processen in marketing. DSN-onderzoek lijkt te suggereren dat we AI-entiteiten gevoeliger kunnen maken, wat veel risico's en beloningen met zich meebrengt.
