Q:
Jak hrají při vývoji umělé inteligence hluboce tvrdohlavé sítě?
A:Na první pohled hluboké tvrdohlavé sítě jednoduše „přidávají funkčnost“ existujícímu technologickému konstruktu, generativní protivníkové síti (GAN), ale ve skutečnosti nám nedávný vývoj hluboce tvrdohlavé sítě říká základní věci o tom, jak se umělá inteligence může vyvíjet směrem k významné modelování lidského rozhodování.
Hluboká tvrdohlavá síť se spoléhá na souhru uvnitř GAN dvou entit „AI“: „generátor“ a „diskriminátor“. Generátor „generuje“ obsah nebo příklady nebo testovací data nebo cokoli, co se rozhodnete nazvat. Diskriminátor vezme vstup a třídí jej nebo na jeho základě přijímá rozhodnutí. Tyto dvě části hluboce tvrdohlavé sítě jsou nezávislé subjekty pro účely výzkumu umělé inteligence, ale spolupracují společně.
Je důležité si uvědomit, že dostupná veřejná literatura o hlubokých tvrdohlavých sítích je nízká a zdá se, že sestává z malé sady běžných popisů na nejlepších stránkách Google s hodnocením. Jeden z nejvíce autoritativních, na KDNuggets, cituje použití "Goodfellow koeficientu", který je sám o sobě nedostupný pomocí vyhledávání Google. (Ian Goodfellow je počítačový vědec připisovaný některým základním myšlenkám hlubokých tvrdohlavých sítí.)
Myšlenka hluboce tvrdohlavé sítě je však vysvětlena na KDNuggets a jinde: základní myšlenkou je, že generátor se může „pokusit oklamat“ diskriminátora a že diskriminátor může být „diskriminační“, dokud se tak nestane., vnímající ve své „pochybnosti“ a nevrací výsledky. Poté nastane důležitý další krok: Program, buď lidským zásahem nebo algoritmy, je „koaxiální“, aby poskytl odpověď.
V tomto modelu začneme vidět, že umělá inteligence podniká obrovský krok, od jednoduchého modelování dat nebo analýzy tréninkových sad, až po skutečně přijímání druhů rozhodnutí na vysoké úrovni, o kterých si myslíme, že jsou v lidské doméně. Při hodnocení jak vzorců „volby“ diskriminátoru umělé inteligence, tak vzorců „volby“ člověka cituje část KDNuggets „paradox volby“, který propaguje Barry Schwartz. Některé nezávislé blogové příspěvky popisují, jak hluboce tvrdohlavá síť zdůrazňuje v zásadě lidské chování: J. Yakov Stern vysvětluje současná omezení a možný pokrok v zdlouhavém potěšení na IVR a Alexia Jolicoeur-Martineau odhaluje některé z nedávných výsledků, které mohou GAN přinést.
Takže v jistém smyslu je primárním dopadem hluboce tvrdohlavých sítí na umělou inteligenci přeorientování nebo rozšíření výzkumu nad rámec druhů rozhodování, která jsou snadno použitelná pro podnikání, a podpora průkopnického výzkumu směřujícího k tomu, aby se počítače ještě více podobaly lidem. Mohlo by existovat libovolné množství aplikací této myšlenky v podnicích, ale nejsou tak rozřezané a usušené, například řekněme, současné aplikace algoritmů strojového učení na motory doporučení zákazníků nebo použití inteligentních ML procesů v marketingu. Zdá se, že výzkum DSN naznačuje, že můžeme subjekty AI lépe vnímat, což s sebou nese značné riziko i odměnu.
