💒 👐🏻 👩🏻‍⚕️ Peneliti MIT mengajarkan jaringan saraf pada akal 👨‍👨‍👧‍👧 🧖 👍🏻

Baru-baru ini, jaringan saraf telah menunjukkan diri mereka dengan sangat baik di banyak aplikasi. Mereka mencari pola dalam data yang digunakan untuk klasifikasi dan perkiraan. Jaringan saraf dengan objek yang mudah dikenali dalam gambar digital atau, setelah "membaca" teks, merangkum temanya. Namun, tidak ada yang bisa mengetahui transformasi apa yang dilakukan input data untuk mendapatkan satu atau solusi lain. Bahkan penulis jaringan memiliki input data dan informasi keluaran. Dan jika kita mempertimbangkan data visual, kadang-kadang bahkan mungkin untuk mengotomatisasi eksperimen untuk mengetahui komponen gambar mana yang ditanggapi oleh jaringan saraf. Dan dengan sistem pengolah kata, prosesnya lebih rumit. Apa kesulitan memahami bahasa manusia dengan mesin, Anda bisa baca di bawah.

Di Laboratorium CSAIL Massachusetts Institute of Technology untuk Informatika dan Kecerdasan Buatan, para peneliti jaringan saraf telah membuat "otak virtual" sekarang memberikan alasannya selain solusi. Mereka melatih dua modul dari satu jaringan saraf pada saat yang sama. Data untuk pelatihan adalah kutipan teks. Hasilnya menyenangkan: komputer berpikir, seperti halnya seseorang, dalam 95% kasus. Namun, sebelum memulai metode baru jaringan saraf dalam penggunaan aktif, konfigurasi tambahan dan penyempurnaan akan diperlukan.

Mengapa gambar lebih mudah diproses daripada teks? Apakah mungkin untuk mengemudikan kendaraan tak berawak secara bebas, apakah mungkin untuk mengganti dokter yang masih hidup dengan kecerdasan terprogram, di dalamnya ada banyak neuron? Apakah ini membawa kita lebih dekat ke mesin sadar dalam kehidupan nyata? Model komputer dari jaringan saraf berperilaku dengan cara yang sama seperti otak manusia, tetapi sejauh ini mereka tidak diizinkan untuk membuat keputusan yang mempengaruhi kehidupan manusia. Untuk mengubah ini, para spesialis membutuhkan waktu dan sekarang kita dapat mengetahui bagaimana jaringan saraf sampai pada nilai akhir.

Terkadang di dunia aplikasi nyata, orang ingin tahu mengapa mesin membuat prediksi seperti itu, dan bukan yang lain. Alasan utama bahwa dokter tidak percaya keputusan AI adalah kurangnya informasi tentang proses pengambilan keputusan. Ini berlaku untuk area lain juga - di mana biaya dari perkiraan yang salah dibuat adalah tinggi. Karena itu, setiap orang membutuhkan bukti dan jaminan. Kemungkinan besar, semuanya sebenarnya lebih luas: Anda tidak hanya ingin mengkonfirmasi kebenaran model perkiraan, tetapi juga mencari tahu bagaimana Anda dapat mempengaruhi apa yang terjadi melalui analisis. Bagaimana orang biasa dapat memahami model kompleks yang dilatih dengan algoritma yang tidak diketahui. Algoritma ini dapat berbicara tentang rasionalitas solusi tertentu. Pada Giktayms sudah mengajukan pertanyaan tentang topik tersebut. Dan sekarang kita dapat merespons secara positif.

Jaringan saraf - apa?

Nama "jaringan saraf tiruan" menunjukkan bahwa struktur ini berperilaku kasar seperti struktur otak manusia. Unit penyusun jaringan semacam itu adalah simpul pemrosesan, yang, seperti neuron, dengan sendirinya dapat melakukan operasi sederhana. Power muncul ketika banyak node digabungkan menjadi satu jaringan besar. Sebagian besar pekerjaan yang tidak diketahui terjadi di neuron. Ini dia - kotak hitam. Data input dan output dapat ditemukan. Selama pelatihan, operasi yang dilakukan oleh node individu terus berubah untuk mendapatkan hasil yang baik di seluruh rangkaian contoh pelatihan. Pada akhir proses, pemrogram jaringan tidak tahu node mana yang saat ini dikonfigurasi. Bahkan jika data ini ada di sana, akan sulit untuk memahami informasi tingkat rendah ini sehingga dapat menerjemahkannya ke dalam bahasa yang dimengerti orang.

Dalam proses pembelajaran mendalam, data memasuki node input jaringan, yang mentransformasikannya dan mengirimkannya ke node berikut. Tindakan terakhir diulang berkali-kali. Proses berhenti ketika nilai-nilai tiba di node output dari jaringan. Informasi berkorelasi dengan area data di mana pelatihan berlangsung. Ini bisa berupa objek dalam gambar atau topik artikel.

Bagaimana proses menjadi transparan

Untuk memahami bagaimana jaringan saraf membuat keputusan, para peneliti memutuskan untuk melatihnya pada data tekstual. Di laboratorium institut, tim spesialis membagi jaringan yang dibuat menjadi dua bagian. Satu dimaksudkan untuk mengekstraksi potongan-potongan teks dari data pelatihan dan mengevaluasinya berdasarkan panjang dan urutan. Semakin pendek bagian dan sebagian besar terdiri dari baris kata-kata berturut-turut, semakin tinggi nilainya.

Bagian selanjutnya datang di bagian kedua. Bagian kedua dari jaringan syaraf meramalkan tema dari bagian itu atau mencoba untuk mengklasifikasikan teks. Untuk pengujian, kami menggunakan ulasan online dari situs pemeringkat bir. Suatu jaringan ilmuwan berusaha untuk menilai bir pada skala bintang lima berdasarkan faktor-faktor seperti aroma, rasa, penampilan, dan ulasan tertulis. Setelah melatih sistem, para peneliti menemukan bahwa jaringan saraf mereka mengevaluasi aroma dan penampilan serta orang-orang nyata: masing-masing 95% dan 96%. Menurut karakteristik rasa yang lebih subjektif, jaringan saraf "setuju" dengan orang-orang dalam 80% kasus.

Modul dilatih bersama, dan tujuan pelatihan adalah untuk memaksimalkan penilaian segmen yang dipilih dan keakuratan prediksi atau klasifikasi.

Ilustrasi menunjukkan contoh ulasan bir dengan peringkat dalam dua kategori. Jika subnet pertama memilih tiga frasa ini dan subnet kedua menghubungkannya dengan peringkat yang benar, maka sistem menggunakan hal yang sama untuk penilaian sebagai seseorang. Para peneliti juga menguji jaringan saraf berdasarkan database pertanyaan dan jawaban gratis untuk topik teknis. Pertanyaannya adalah apakah jawaban spesifik sudah diberikan sebelumnya.

Para ilmuwan telah menerapkan metode ini pada ribuan hasil biopsi dengan patologi kanker payudara. Teks dan gambar dianalisis.

Apa kesulitan bagi mesin untuk memahami bahasa manusia?

"Sulit untuk dijawab jika Anda tidak mengerti pertanyaannya." Sarek, ayah Spock di Star Trek 4: Homecoming.

Pemrosesan bahasa alami adalah salah satu area dalam kecerdasan buatan. Sudut pandang kami dan beragam pengetahuan tentang dunia dan pemahaman konteks memengaruhi cara kami memandang bahkan struktur tata bahasa yang paling dasar, menghubungkan kata-kata ke dalam frasa dan kalimat yang bermakna.

Saya akan menjelaskannya dengan contoh yang diberikan dalam buku Eric Siegel "Menghitung Masa Depan". Misalnya, frasa seperti India, susu, Anda. Setiap bagian yang mirip dari sebuah kalimat dapat memainkan peran yang berbeda tergantung pada kata-kata yang muncul sebelum dan sesudah frasa. Definisi spesifik akan didasarkan pada pemahaman tentang apa arti kata-kata dan apa hal-hal nyata yang mereka sebut.

1. "Waktu berlalu seperti panah."
2. "Buah terbang seperti pisang."

Jika seseorang tidak mengetahui teka-teki linguistik bahasa Inggris ini, cobalah menerjemahkan kalimat sendiri dengan beberapa cara.

Waktu berlalu seperti panah.
Lalat waktu suka semacam panah.
Ukur kecepatan lalat saat Anda mengukur kecepatan panah.

Buah terbang seperti pisang.
Drosophila suka pisang.

Alasan yang sama dapat berarti hal yang berbeda. Terutama preposisi DENGAN.

"Aku makan porrige dengan buah-buahan." Saya makan bubur dengan buah-buahan, yang merupakan bagian dari hidangan.
"Aku makan sarapan dengan sendok." Saya makan sarapan dengan sendok, yang merupakan alat.
"Aku makan sarapan dengan ibuku." Saya sarapan dengan ibu saya, yang merupakan peserta dalam aksi tersebut.

Penggunaan jaringan saraf

Tugas Klasifikasi. Ini hanya mencari pola, pengenalan wajah.

Meramalkan Tugas. Bagaimana pengguna akan berperilaku dalam beberapa situasi. Sebagai contoh, bank menghitung kemungkinan pelunasan pinjaman saat memutuskan hibah. Mereka juga memeriksa biaya pinjaman untuk menjual kembali mereka ke bank lain pada waktu terbaik. Area penerapan pembelajaran mesin: keamanan, perilaku konsumen di toko, perang melawan kejahatan, pemasaran, tentu saja, politik (pemilihan umum), pendidikan, psikologi dan manajemen sumber daya manusia.

Di setiap area subjek, setelah pemeriksaan lebih dekat, seseorang dapat menemukan pernyataan masalah untuk jaringan saraf. Berikut adalah daftar area individual di mana penyelesaian masalah seperti itu sangat penting secara praktis sekarang. Saya membawa beberapa dari mereka.

Di bidang keuangan, jaringan saraf memprediksi nilai tukar, biaya bahan baku (deret waktu), membantu melakukan perdagangan otomatis di bursa, memprediksi kemungkinan kebangkrutan, dan menentukan keamanan transaksi dengan kartu plastik. Di bidang medis, mereka membuat diagnosa, memproses gambar, memantau kondisi pasien, menganalisis efektivitas pengobatan yang ditentukan. Jaringan saraf mengenali sinyal radar, mengadaptasi piloting pesawat yang rusak, kompres informasi video, mengoptimalkan jaringan seluler, berbicara kepada kami dalam bentuk asisten elektronik (Cortana, Siri), menyaring dan memblokir spam, membantu mengkonfigurasi iklan yang ditargetkan. Dalam proses produksi, mereka dapat mencegah keadaan darurat dan mengontrol kualitas produk. Dalam robotika - mereka meletakkan rute untuk pergerakan robot,manipulator kontrol.

Secara signifikan membuat hidup lebih mudah bagi pakar keamanan dan sistem keamanan - di sini jaringan saraf terlibat dalam identifikasi individu dengan sidik jari, suara, tanda tangan dan orang. Untuk ahli geologi, jaringan menganalisis data seismik dan mencari mineral menggunakan teknik asosiatif.

Bagaimana obat dapat bergantung pada keputusan jaringan saraf yang tidak berdasar? Tetapi, mungkinkah keputusan yang dibuat oleh manusia, pikirannya, bercampur dengan emosi, selalu dapat dianggap benar untuk kasus tertentu? Tentu saja ada komisi dokter, tetapi tidak selalu dapat dikumpulkan. Jadi dalam pengobatan kita yang tidak selalu berbasis bukti, orang dengan pelatihan khusus masih membuat keputusan. Faktor manusia, kesalahan medis terhadap kemungkinan false positive dari kecerdasan buatan. Mungkin faktanya adalah bahwa dalam kasus mesin tidak ada orang yang bersalah spesifik? ... Dalam sifat manusia - untuk mencari jawaban, membenarkan dan membenarkan keputusan di depan otaknya sendiri. Itu selalu lebih mudah bagi seseorang ketika diketahui siapa yang harus disalahkan.

Hal yang sama di jalan. Tidak termaafkan bagi mesin untuk menjatuhkan seseorang, sama seperti itu tidak dapat dimaafkan bagi orang lain yang melanggar aturan untuk melukai. Apakah orang yang bersalah selalu menerima hukuman yang objektif? Pertanyaan moralitas akan tetap abadi. Mungkin, tidak ada satu jawaban umum. Ketika BMW atau Google self-driving car menjadi rutin di jalan-jalan kota, orang akan mengambil risiko alat berat. Dan meskipun dalam beberapa kasus kematian disebabkan oleh komputer pengemudi, jumlah total kecelakaan dan korban akan berkurang secara dramatis berkat robot.

Terutama untuk etika.neural networks memerangi perusahaan yang memproduksi mobil dengan pemerintahan sendiri. Pertanyaan: apa yang harus dilakukan autopilot ketika dua anak bermain bola di depannya tepat di persimpangan. Siapa yang harus terkena bahaya: anak-anak atau penumpang mobil dengan sengaja melanggar aturan (!).
Contoh ini menyerupai tugas etis klasik di mana Anda adalah operator panah lalu lintas, di satu jalur sekelompok orang, dan di pihak lain saja. Keputusan akan selalu tidak adil bagi korban, kerabatnya dan menyelamatkan sisanya. Meskipun orang yang bertahan dengan harga ini mungkin juga tidak bahagia.

Kemiripan otak evolusi

Ada konsep neurodarvinisme. Ini termasuk mekanisme pemuatan diri yang bekerja pada umpan balik antara lingkungan dan otak. Bahkan model komputer yang paling sederhana dari jaringan saraf, jika diprogram untuk menghapus konfigurasi yang tidak menguntungkan bagi keberadaan dan mereproduksi yang bermanfaat, mencapai tingkat kompleksitas yang luar biasa dalam waktu singkat. Apa yang saya bicarakan? Tidak ada struktur di dunia nyata yang diciptakan dengan tujuan penghancuran diri. Makhluk apa pun diprogram seumur hidup. Dan jaringan saraf juga. Bahkan seperti itu, menurut pendapat kami, makhluk sederhana seperti lalat Drosophila memiliki sistem koneksi yang kompleks di otak . Ini adalah otaknya yang Anda lihat pada gambar di awal.

Bagaimana otak manusia bekerja dengan gambar

Menurut Rita Carter, dalam buku "How the Brain Works", informasi-kenangan tentang wajah orang yang kita kenal disimpan di otak sebagai jaringan saraf khusus (Units of Face Recognition). Ketika kami melihat gambar baru, itu dibandingkan dengan pengalaman kami dengan memindai ERL. Jika ada sesuatu yang terhubung, maka ERL itu menjadi aktif dan menghubungkan ke gambar terakhir yang terlihat. Otak bertindak dengan cara yang sama, apakah gambar baru terlihat di jalan atau dihasilkan secara independen oleh pikiran manusia. Semakin sering kesadaran mengacu pada gambar yang disimpan, semakin aktif jaringan saraf yang sesuai. Jaringan yang tidak perlu putus seiring waktu. Inilah yang kami sebut "benar-benar terlupakan."

Kesadaran

Mengapa saya menggambar analogi dengan otak manusia? Mungkin ini bukan hanya tentang mempercayai jaringan saraf komputer? Mungkin ini masalah pemahaman dan penerimaan. Ya, orang lain, sebagai makhluk yang sepenuhnya diterima oleh kita sebagai "milik kita", tidak seperti komputer mekanik, akan menjelaskan dan membenarkan keputusan apa pun dengan cara yang kita pahami. Dan jika dia berbohong? Dan jika dia sakit mental? Nuansa tetap ada di mana-mana. Mesin tidak memiliki kesadaran, yang berarti tidak ada masalah etika - mereka selalu lebih objektif dan tidak memihak. Tetapi para peneliti tidak dapat meninggalkan mereka hanya untuk area tertentu, seperti menciptakan kombinasi catur terbaik, merancang sistem yang kompleks, dan, oleh karena itu, kita, orang perlu beradaptasi juga. Meski sulit. Serta merasakan garis apa pun antara mekanik dan emosional. Tapi itulah masa depandijelaskan dalam novel-novel fiksi ilmiah masa lalu, yang telah lama mulai menjadi kehidupan kita sehari-hari.

Dengan demikian, satu langkah lagi telah diambil untuk memahami sepasang pria-mesin. Saya ingin mengutip Roger Penrose, seorang profesor matematika di Universitas Oxford.

Pemahaman membutuhkan kesadaran. Ilusi pemahaman berasal dari pemrosesan komprehensif sejumlah besar data. Perhitungan dan pemahaman adalah hal yang saling melengkapi.

"Saya percaya bahwa untuk menjelaskan pemahaman, kita akan beralih ke konsep fisik baru dengan dunia kuantum, struktur matematis yang sebagian besar tidak diketahui."

Penrose mengatakan bahwa pemahaman menghasilkan komponen tertentu dari jaringan otak.

"Ada mikrotubulus dalam tubuh manusia, terutama banyak di sel-sel saraf."

Ilmuwan mengusulkan untuk menyelidiki apakah mungkin mikrotubulus menciptakan keadaan kuantum stabil yang mengikat aktivitas seluler di seluruh otak, menghasilkan kesadaran. Simulasi komputer dari keadaan ini tidak mungkin.

Peneliti MIT mengajarkan jaringan saraf pada akal