4 Derin öğrenmekten korkmamak için nedenler (henüz) | Ben Dickson

2012 yılında, Toronto Üniversitesi'nden bir grup bilim adamı, görüntü sınıflandırma atılımını gerçekleştirdi.

ImageNet'te, yarışmacıların en doğru görüntü sınıflandırma algoritmasını oluşturmak için yarışmakta olduğu bir yapay yapay zeka (AI) yarışması olan Toronto takımı AlexNet'i "sahayı yüzde 10, 8 puan ile yendi." Bir sonraki en iyisi, "Quartz'a göre.

Takımın kullandığı yöntem olan derin öğrenme, önceki AI yaklaşımlarına kıyasla radikal bir gelişmeydi ve yeni bir inovasyon çağına girdi. O zamandan beri eğitim, sağlık, siber güvenlik, masa oyunları ve çeviri yollarını bulmuş ve Silikon Vadisi yatırımlarında milyarlarca dolar kazanmıştır.

Birçoğu, çağımızın genel amaçlı teknolojisi olan ve elektrik ve yangından daha derin olan derin öğrenmeyi ve onun üst düzeyini, makine öğrenmesini övdü. Diğerleri ise, derin öğrenmenin her görevde nihayetinde en iyi insanlar olacağı ve nihai iş katili olacağı konusunda uyarıyorlar. Ve derin öğrenme ile desteklenen uygulamaların ve hizmetlerin patlaması, süper zeki bilgisayarların gezegeni ele geçirdiği ve insanları köleliğe veya yok olmaya iten bir AI kıyamet korkusu yarattı.

Ancak yutturmacaya rağmen, derinlemesine öğrenmenin, bazı olumlu ve olumsuz sözlerini gerçekleştirmesini engelleyebilecek bazı kusurları vardır.

Derin Öğrenme Verilere Çok Fazla Güvenir

Derin yapıları ve temel yapısını oluşturan derin sinir ağları genellikle insan beyniyle karşılaştırılır. Ancak zihinlerimiz kavramları öğrenebilir ve çok az veri içeren kararlar alabilir; derin öğrenme, en basit görevi yerine getirmek için tonlarca örnek gerektirir.

Temelinde, derin öğrenme, etiketli verilerde ortak kalıplar bularak ve diğer veri örneklerini kategorize etmek için bilgiyi kullanarak girdilerin çıktılara eşlendiği karmaşık bir tekniktir. Örneğin, derinlemesine öğrenme uygulaması için yeterli miktarda kedi resmi verin, bir fotoğrafın bir kedi içerip içermediğini tespit edebilecektir. Aynı şekilde, derinlemesine bir öğrenme algoritması, farklı sözcük ve cümlelerin yeterli ses örneğini aldığında, konuşmayı tanıyabilir ve yazabilir.

Ancak bu yaklaşım yalnızca algoritmalarınızı besleyecek çok sayıda kaliteli verilere sahip olduğunuzda etkilidir. Aksi takdirde, derin öğrenme algoritmaları vahşi hatalar yapabilir (bir helikopter için tüfek kullanmak gibi). Verileri kapsayıcı ve çeşitli olmadığında, derin öğrenme algoritmaları ırkçı ve cinsiyetçi davranışlar sergilemiştir.

Verilere güvenmek de bir merkezileşme sorununa neden olur. Çok fazla veriye erişebildiklerinden, Google ve Amazon gibi şirketler daha az kaynak içeren girişimlere göre yüksek verimli derin öğrenme uygulamaları geliştirmek için daha iyi bir konumdadır. AI'nın birkaç şirkette merkezileştirilmesi, inovasyonu engelleyebilir ve bu şirketlere kullanıcıları üzerinde çok fazla harekete geçmesine neden olabilir.

Derin Öğrenme Esnek Değildir

İnsanlar soyut kavramları öğrenebilir ve bunları çeşitli durumlara uygulayabilir. Bunu her zaman yapıyoruz. Örneğin, ilk defa Mario Bros. gibi bir bilgisayar oyunu oynarken, çukurların üzerinden atlamak veya ateşli topları atlamak gibi gerçek dünyadaki bilgileri hemen kullanabilirsiniz. Daha sonra, oyun bilginizi Super Mario Odyssey gibi Mario'nun diğer sürümlerine veya Donkey Kong Country ve Crash Bandicoot gibi benzer mekanikleri olan diğer oyunlara uygulayabilirsiniz.

Ancak AI uygulamaları her şeyi sıfırdan öğrenmelidir. Derin öğrenme algoritmasının Mario oynamayı nasıl öğrendiğine bir bakmak, AI'nın öğrenme sürecinin insanlardan farklı olduğunu gösterir. Esasen çevresi hakkında hiçbir şey bilmeyerek başlar ve kademeli olarak farklı unsurlarla etkileşime girmeyi öğrenir. Ancak Mario oynamaktan edindiği bilgi, o tek oyunun sadece dar alanına hizmet eder ve diğer oyunlara, hatta diğer Mario oyunlarına aktarılamaz.

Bu kavramsal ve soyut anlayışın eksikliği, derin öğrenme uygulamalarının sınırlı görevlere odaklanmasını sağlar ve genel yapay zekanın, insanların yaptığı gibi entelektüel kararlar alabilen yapay zeka gelişimini engeller. Bu mutlaka bir zayıflık değildir; Bazı uzmanlar genel AI oluşturmanın anlamsız bir amaç olduğunu savunuyorlar. Ama insan beyniyle karşılaştırıldığında kesinlikle bir sınırlama.

Derin Öğrenme Opaktır

Programcıların kuralları tanımladığı geleneksel yazılımların aksine, derin öğrenme uygulamaları test verilerini işleyerek ve analiz ederek kendi kurallarını oluşturur. Sonuç olarak, hiç kimse gerçekten sonuçlara ve kararlara nasıl ulaştığını bilmiyor. Derin öğrenme algoritmaları geliştiricileri bile çoğu zaman kendilerini yarattıklarının sonucuyla karıştırılmakta bulurlar.

Bu saydamlık eksikliği, teknoloji, hasta tedavisi, kolluk kuvvetleri ve kendi kendini süren otomobiller gibi hassas alanlarda yerini bulmaya çalıştığından, AI ve derin öğrenme için büyük bir engel olabilir. Derin öğrenme algoritmaları insanlara göre hata yapmaya daha az eğilimli olabilir, ancak hata yaptıklarında bu hataların arkasındaki nedenlerin açıklanması gerekir. AI uygulamalarımızın nasıl çalıştığını anlayamazsak, kritik görevlerle onlara güvenemeyiz.

Derin Öğrenme Overhyped Olabilir

Derin öğrenme zaten birçok alanda değerini kanıtlamıştır ve işleri yapma şeklimizi değiştirmeye devam edecektir. Kusur ve kısıtlamalarına rağmen, derinlemesine öğrenme başarısız olmamıştır. Ancak beklentilerimizi düzeltmek zorundayız.

AI alimi Gary Marcus'un uyardığı gibi, teknolojinin aşırı okunması, aşırı yüksek beklentilerin ve düşük performansın genel hayal kırıklığına ve ilgi eksikliğine yol açtığı bir “AI kışına” yol açabilir.

Marcus, derin öğrenmenin “evrensel bir çözücü değil, birçoğu arasında bir araç” olduğunu öne sürüyor; bu, derin öğrenmenin sağladığı olanakları araştırmaya devam ederken, AI uygulamaları oluşturmak için temelde farklı yaklaşımlara da bakmamız gerektiği anlamına geliyor.

Derin öğrenme devrimine yol açan çalışmalara öncülük eden Profesör Geoffrey Hinton bile, tamamen yeni yöntemlerin muhtemelen icat edilmesi gerektiğine inanmaktadır. Axios, "Gelecek, söylediğim her şeyden derinden şüphelenilen bir yüksek lisans öğrencisine bağlı." Dedi.