Q:
Kaip giliai užsispyrę tinklai vaidina vaidmenį AI evoliucijoje?
A:Iš pirmo žvilgsnio gilūs užsispyrę tinklai tiesiog „prideda funkcionalumo“ prie esamo technologinio konstrukto, generatyvaus prieštaringo tinklo (GAN), tačiau iš tikrųjų pastarojo meto giliai užsispyrusio tinklo evoliucija mums sako esminius dalykus, kaip PG gali vystytis link reikšmingas žmogaus sprendimų priėmimo modeliavimas.
Giliai užsispyręs tinklas priklauso nuo dviejų AI „subjektų“: „generatoriaus“ ir „diskriminatoriaus“ sąveikos GAN. Generatorius „sugeneruoja“ turinį ar pavyzdžius, arba testo duomenis ar bet ką, ką pasirinkote vadinti. Diskriminatorius imasi įvesties ir ją rūšiuoja arba priima sprendimus remdamasis ja. Šios dvi giliai užsispyrusio tinklo dalys yra nepriklausomi subjektai PG tyrimų tikslais, tačiau jie veikia kartu.
Svarbu pažymėti, kad turimos viešos literatūros apie labai užsispyrusius tinklus yra nedaug, atrodo, kad jas sudaro nedidelis įprastų aprašų rinkinys aukščiausiuose „Google“ reitingo puslapiuose. Vienas autoritetingiausių „KDNuggets“ nurodo „Goodfellow koeficiento“ naudojimą, kurio vien „Google“ paieškoje negalima atrasti. (Ianas Goodfellowas yra kompiuterių mokslų daktaras, kuriam priskiriamos kai kurios pagrindinės gilių užsispyrėlių tinklų idėjos.)
Tačiau giliai užsispyrusio tinklo idėja yra paaiškinta „KDNuggets“ ir kitose vietose: pagrindinė mintis yra ta, kad generatorius gali „pamėginti apgauti“ diskriminacinį įrenginį ir kad diskriminavimo priemonė gali būti „labiau diskriminuojanti“, kol ji tam tikru būdu taps, jautrus savo „abejonėmis savimi“ ir nesirenka grąžinti rezultatų. Tuomet įvyksta svarbus svarbus žingsnis: Programa, pasitelkiant žmogaus įsikišimą ar algoritmus, yra „sutraukta“ atsakymui pateikti.
Šiame modelyje mes matome, kaip PG žengia milžinišką žingsnį, pradedant nuo duomenų modeliavimo ar mokymo rinkinių analizės ir baigiant aukšto lygio sprendimų, kurie, mūsų manymu, yra žmonių srityje, priėmimu. Vertindamas tiek AI diskriminatoriaus „pasirinkimo“ modelius, tiek žmogaus „pasirinkimo“ modelius, „KDNuggets“ kūrinys cituoja Barry Schwartzo pradininką „Pasirinkimo paradoksas“. Kai kurie nepriklausomi tinklaraščio įrašai apibūdina, kaip giliai užsispyręs tinklas iš esmės pabrėžia žmogaus elgesį: J. Yakov Stern paaiškina esamus apribojimus ir galimą pažangą per ilgą IVR lygintuvą, o Alexia Jolicoeur-Martineau atskleidžia kai kuriuos naujausius rezultatus, kuriuos GAN gali duoti.
Taigi tam tikra prasme pagrindinis gilių užsispyrusių tinklų poveikis AI yra mokslinių tyrimų perorientavimas arba išplėtimas, neapsiribojant įmonėms lengvai pritaikomais sprendimų priėmimo būdais, ir novatoriškų tyrimų skatinimas, siekiant kompiuterius padaryti dar panašesnius į žmones. Šios idėjos pritaikymas įmonėje gali būti daugybė, tačiau jos nėra tokios supjaustytos ir nusausintos, kaip, tarkime, dabartinis mašininio mokymosi algoritmų taikymas vartotojų rekomendacijų varikliams ar intelektualiųjų ML procesų naudojimas rinkodaroje. Atrodo, kad DSN tyrimai rodo, kad galime padaryti AI subjektus jautresnius, o tai kelia didelę riziką ir atlygį.
