ساخت سیستم‌های هوش مصنوعی کارآمد هنوز هم دشوار است

با وجود پیشرفت هایی که در سال های اخیر انجام داده ایم ، ساخت سیستم های هوش مصنوعی کارآمد هنوز مشکل است.

هوش مصنوعی ، حتی با چارچوب هایی مانند TensorFlow یا OpenAI ، هنوز در مقایسه با مدیران وب و توسعه دهندگان به دانش و درک زیادی نیاز دارد. اگر نمونه اولیه ای دارید که کار می کند ، احتمالاً یکی از باهوش ترین افراد در این زمینه هستید و باید به شما تبریک گفت. زیرا شما عضو یک مجموعه بسیار منحصر به فرد هستید.

با Kaggle شما حتی می توانید پول زیادی برای حل پروژه های دنیای واقعی به دست آورید. این به طور کلی یک فرصت عالی است ، اما سوال این است که آیا برای ایجاد یک کسب و کار کافی است؟ باید بدانید که نمی توانید مکانیزم بازار را تغییر دهید. از منظر تجارت ، هوش مصنوعی راه دیگری برای حل مشکلات موجود است. این پیاده سازی برای مشتریان اهمیتی ندارد. تنها چیزی که برای مشتریان اهمیت دارد نتایج است. این بدان معناست که فقط استفاده از هوش مصنوعی جواب نمی دهد و شما باید چیزهای ارزشمندی را در اختیار مشتریان قرار دهید. در دراز مدت فقط مشتریان اهمیت دارند.

گاهی اوقات ممکن است مشتریان به هوش مصنوعی اهمیت ندهند. اما سرمایه گذاران و مطبوعات اهمیت می دهند. این تفاوت توجه به هوش مصنوعی می تواند محیطی بسیار خطرناک برای استارتاپ ها ایجاد کند. اما عاقلانه: اگر شما AI چند منظوره جهانی ایجاد نکنید ، چیزی به نام رایگان وجود ندارد و هزینه هایی نیز در بر خواهد داشت. حتی اگر سرمایه گذار هستید ، باید تمام تلاش خود را بکنید تا مشتریان را به مرحله نهایی محصول برسانید. بنابراین بیایید فرض کنیم که ما یک فرد همه کاره و مسئول هستیم و ببینیم چگونه می توانیم برای سناریوهای آینده آماده شویم.

آموزش جریان اصلی هوش مصنوعی

به نظر می رسد هوش مصنوعی با سایر گرایش های بزرگ مانند بلاک چین ، اینترنت اشیا ، فناوری مالی (فین تک) و غیره متفاوت است و آینده آن مطمئناً قابل پیش بینی نیست و البته این امر در مورد اکثر فناوری های جدید صادق است. تفاوت در این است که به نظر می رسد ارزش خود ما به عنوان یک انسان در خطر است و نگرانی های ما محدود به سایر مشاغل نیست. ارزش ما به عنوان یک فرد تصمیم گیرنده و خلاق مورد بررسی قرار می گیرد و منجر به واکنش احساسی می شود. ما نمی دانیم چگونه موقعیت خود را قرار دهیم.

تعداد فناوری های اساسی بسیار محدود است و اکثر این فناوری ها زیر چتر اصطلاح یادگیری عمیق قرار دارند. این یادگیری عمیق اساس تقریباً همه کاربردها را تشکیل می دهد: شبکه های عصبی مکرر و تشنج ، حافظه بلند مدت کوتاه مدت (LSTM) ، زندگی نامه ها ، جنگل های تصادفی ، افزایش شیب و غیره.

روشهای دیگری در هوش مصنوعی وجود دارد ، اما اینها مکانیزمی هستند که اخیراً کاملاً موفق نشان داده شده است. اکثریت محققان معتقدند که پیشرفت در این فناوری ها (نه رویکردهای کاملاً متفاوت) منجر به پیشرفت هوش مصنوعی می شود. بگذارید این تحقیق را تحقیقات اصلی هوش مصنوعی بنامیم.

هر راه حل در دنیای واقعی شامل این الگوریتم های اساسی و یک پوسته هوش مصنوعی برای آماده سازی و پردازش داده ها (به عنوان مثال آماده سازی داده ها ، مهندسی ویژگی ها ، مدل سازی جهانی) است. پیشرفت ها در زمینه هوش مصنوعی به سمت ایجاد مناطق غیر ضروری که فاقد هوش مصنوعی هستند ، می رود. این در طبیعت هوش مصنوعی و تقریباً بخشی از تعریف آن است: منسوخ شدن تلاش ها برای مشکلات. اما دقیقاً این بخش فاقد هوش مصنوعی است که اغلب پیشنهاد ارزش شرکت های هوش مصنوعی است و فرمول مخفی این شرکت ها است.

هرگونه پیشرفت در هوش مصنوعی به احتمال زیاد این مزیت رقابتی را در اختیار همگان قرار می دهد و به عنوان یک منبع باز عمل می کند و عواقب ناگواری دارد. به گفته فردریک یلینک:

هر بار که یک زبان شناس را اخراج می کنم ، عملکرد تشخیص گفتار من بالا می رود.

یادگیری ماشین اساساً مرحله بعدی کاهش عملکرد را معرفی می کند: کد تبدیل به داده می شود. تقریباً تمام فناوری های تشخیص بر اساس مدل ، احتمال و قوانین توسط الگوریتم های یادگیری ماشین در سال 2010 حذف شدند.

اکنون می توان تخصص دامنه ، مدل سازی ویژگی ها و صدها هزار خط کد را تنها با چند صد خط اسکریپت (به اضافه مقدار مناسب داده) درج کرد. همانطور که در بالا ذکر شد ، این بدان معناست که هنگامی که یک کد اختصاصی در زمینه هوش مصنوعی اصلی آموزش دید ، دیگر یک دارایی قابل دفاع نیست.

مشارکت قابل توجه بسیار نادر است. پیشرفتهای واقعی یا پیشرفتهای جدید و حتی ترکیب جدید اجزای کلیدی تنها برای تعداد محدودی از مطالعات امکان پذیر است. همانطور که احتمالاً حدس زده اید ، این زمینه و چرخه داخلی بسیار کوچکتر است و قطعاً کمتر از 100 سازنده و توسعه دهنده وجود دارد.

اما علت چیست؟ شاید علت اصلی این امر در الگوریتم اصلی باشد: ackpropagation. تقریباً هر شبکه عصبی با این روش آموزش می بیند. ساده ترین شکل پس از انتشار را می توان در حساب دیفرانسیل نیمسال اول دانشگاه محاسبه و فرموله کرد و این به هیچ وجه کار سختی نیست (البته این کار دانش آموزان دبیرستانی نیست.) جالب و جالب است بیش از 50 سال سن داشت ، فقط چند نفر آن را در پشت صحنه بررسی کردند و ساختار اصلی آن را زیر سوال بردند.

اگر بعد از انتشار به همان اندازه مهم بود ، ما 10 سال جلوتر بودیم. جدا از قدرت محاسباتی

اقداماتی که در دهه 1970 با شبکه های عصبی ساده شروع شد و سپس به شبکه های تکراری که اکنون به حافظه کوتاه مدت رسیده اند گسترش یافت ، منجر به تغییرات چشمگیری در فضای هوش مصنوعی شد که هنوز نیاز به چندین خط کد دارد. نسل هایی از دانش آموزان و محققان وارد ریاضیات شدند و با محاسبه شیب در حال کاهش صحت آن را اثبات کردند. اما در نهایت ، اکثر آنها سر تکان دادند و به کار بر روی نوعی بهینه سازی ادامه دادند. درک تحلیلی کافی نیست. برای درک تفاوتها به نوعی شهود مخترع نیاز دارید.

99.9 all از همه شرکت ها تنها ناظران باقی می مانند زیرا فکر می کنند احتمال رسیدن به نقطه اوج تحقیق بسیار کم است. فناوری اصلی توسط بازیگران اصلی صنعت در چارچوب ها و ابزارهای منبع باز ارائه می شود. رویکردهای اختصاصی در آخرین سطح با گذشت زمان ناپدید می شوند. این بدان معناست که اکثریت قریب به اتفاق همه شرکت های AI مصرف کننده این محصولات و فناوری ها هستند.

به چه سمتی می‌رویم؟

هوش مصنوعی (و داده های مورد نیاز) با چیزهای زیادی مقایسه شده است: برق ، زغال سنگ و طلا. این نشان می دهد که جهان فناوری چقدر مشتاق است الگوها یا روندهای مناسب را برای آن پیدا کند. زیرا دانش فوق برای محافظت از تجارت و سرمایه گذاری در برابر یک واقعیت ساده است. اگر کسب و کار خود را در مسیر اصلی هوش مصنوعی قرار دهید ، هیچ چیز نمی تواند شما را نجات دهد.

از آنجا که این موتور مشاغل را گمراه می کند ، سناریوهایی وجود دارد که باید در نظر گرفته شوند.

در ابتدا ، تحقیقات اصلی در زمینه یادگیری هوش مصنوعی کند می شود یا در آینده به طور کلی متوقف می شود. این بدان معناست که دیگر مشکلی وجود ندارد و ما از آموزش خارج شده ایم و باید مشتریان را به شبکه متصل کنیم. این یک فرصت عالی برای استارتاپ ها خواهد بود. زیرا آنها این فرصت را دارند که با ایجاد فناوری های اختصاصی ، یک تجارت پایدار ایجاد کنند.

این مطلب ادامه دارد … .