Einige der besten Köpfe der KI kommen auf Londons Deep Learning Summit zurück - Rechnen - 2019

Anonim

Künstliche Intelligenz war noch nie so präsent - oder so cool wie heute. Und nach Jahren an der Peripherie ist tiefes Lernen die erfolgreichste und beliebteste maschinelle Lernmethode geworden.

DL-Algorithmen können nun Objekte besser als die meisten Menschen identifizieren, Ärzte bei der Diagnose von Krankheiten übertreffen und Großmeister bei ihrem eigenen Brettspiel schlagen. Allein im letzten Jahr hat Google AlphaGo von Google DeepMind einen der weltbesten Go-Player besiegt - ein Kunststück, von dem die meisten Experten vermuteten, dass es noch mindestens zehn Jahre dauern würde.

Einige der besten KI-Köpfe sind diese Woche auf dem Re • Work Deep Learning-Gipfel in London, um die tief verwurzelten Herausforderungen und aufkommenden Lösungen für künstliche Intelligenz durch tiefes Lernen zu diskutieren. Forscher von Google, Apple, Microsoft, Oxford und Cambridge (um nur einige zu nennen) sind anwesend oder halten Vorträge. Re • Work-Gründer Nikita Johnson sagte gegenüber Digital Trends: "Unsere Veranstaltungen bringen eine multidisziplinäre Mischung aus drei Kerngemeinschaften zusammen: Start-ups, Hochschulen und Industrie, um Zusammenarbeit und Diskussion zu fördern."

In den nächsten Wochen werden wir diese Themen vertiefen und von Experten erfahren, wie intelligente Algorithmen unseren Alltag morgen und in den kommenden Jahren verändern werden.

Aber was genau ist Deep Learning?

Deep Learning ist eine maschinelle Lernmethode, die Systeme trainiert, indem große Datenmengen und mehrere Verarbeitungsebenen verwendet werden.

Immer noch verwirrt? Du bist nicht allein.

"Die Leute sagen oft:" Du kannst tiefes Lernen wirklich nicht verstehen. Es ist zu abstrakt ", witzelte Neil Lawrence, Professor für Maschinelles Lernen und Computerbiologie an der Universität Sheffield, heute bei seiner Eröffnungsrede. "Aber ich denke, die Leute können es intuitiv erfassen."

Um den Laien - und sogar einigen Enthusiasten - dabei zu helfen, das Konzept des Deep Learning zu verstehen, zeichnete Lawrence eine Parallele zu einem klassischen Faschingsspiel, bei dem ein Spieler einen Ball über ein befestigtes Brett fallen lässt, um es in einem Schlitz am Boden zu landen. Es ist eine schwierige Aufgabe, einen bestimmten Slot zu erreichen - fast rein zufällig. Aber stellen Sie sich vor, Sie könnten Stifte entfernen, um Kugeln in bestimmte Richtungen zu den vorgesehenen Schlitzen zu führen. Das ist vergleichbar mit der Aufgabe von Deep-Learning-Algorithmen.

"Der schwierige Aspekt besteht darin, die" Stifte "so anzupassen, dass die" Ja "in den" Ja "-Slot gehen und die" Nein "in den" Nein "-Slot gehen", sagte Lawrence.

Klingt einfach? Es ist nicht.

Es ist ein Problem, mit dem sich die Leute seit Jahrzehnten auseinandersetzen müssen, und es ist noch lange nicht gelöst. Selbst die besten Deep-Learning-Systeme von heute können eine Aufgabe gut erfüllen, scheitern jedoch, wenn sie aufgefordert werden, alles nur marginal anders zu machen. Wie Raia Hadsel von DeepMind sagte, kannst du wochen- oder monatelang einen Algorithmus trainieren, um ein Atari-Spiel zu spielen, aber dieses Wissen kann nicht verallgemeinert werden. Mit anderen Worten, Sie können einem System beibringen, Pong zu spielen, müssen aber bei Null anfangen, wenn Sie Space Invaders spielen wollen.

Es mag Lösungen geben - Hadsell glaubt, dass ihr Team bei DeepMind mindestens eines hat - aber die Unzulänglichkeiten zeigen, wie viel Arbeit Forscher vor ihnen haben.