Deep­Mind — umelá inte­li­gen­cia aká tu dote­raz nebola

/ 23. október 2016 / Tech a inovácie

Spo­loč­nosť Alp­ha­bet nedá­vano ozná­mila, že jej sys­tém ume­lej inte­li­gen­cie (UI) sa už dokáže učit úplne sám, bez zásahu člo­veka.

Firma pat­riaca medzi špičku v oblasti naj­mo­der­nej­šej vedy a tech­niky (mimo iné mater­ská firma Googlu), zazna­me­náva ďalší vvý­razný posun vo vývoji UI. Pro­jekt Deep­Mind už pred časom vzbu­dil pozor­nosť iným úspe­chom, kto­rého dosia­hnu­tie sa odha­do­valo o viac ako desať rokov.

Týmto úspe­chom bolo veľmi pre­sved­čivé víťazs­tvo nad sve­to­vým veľ­maj­strom v hre Go. Ide o doskovú hru prí­buznú šachu, avšak s oveľa väč­ším množ­stvom kom­bi­ná­cií a teda aj výrazne vyš­šou nároč­nos­ťou. Nie­len že úspech ume­lej inte­li­gen­cie pri­šiel oveľa skôr než celý vedecký svet odha­do­val, sériu sa pia­tich par­tií sa jej poda­rilo ukon­čiť s výbor­nou bilan­ciou 4 — 1.

Sofis­ti­ko­va­nosť tejto UI sa teraz opäť posúva na nové úrovne. Ide o naj­novší hyb­ridný sys­tém Deep­Mind, takz­vaný dife­ren­ciálny neurálny počí­tač (alebo DNC — z ori­gi­nálu Dif­fe­ren­tial Neural Com­pu­ter), ktorý využíva už exis­tu­júce úložné kapa­city dát, ako pri bež­ných počí­ta­čoch. Tie spája s pokro­či­lou UI a jej neurál­nou sie­ťou schop­nou dáta rýchlo ana­ly­zo­vať.

Zdroj foto: DeepMind.com

Výskum­níci z Deep­Mind, Ale­xan­der Gra­ves a Greg Wayne, uvi­deli, že tento model UI sa dokáže učiť na pred­chá­dza­jú­cich prí­kla­doch, teda podobne ako neurálna sieť v ľud­skom mozgu. Dokáže si ale tiež ukla­dať kom­plexné dáta, tak ako počí­tače. Ľud­ský mozog využíva veľké množ­stvo pre­po­jení vo svo­jej neurál­nej sieti pre náj­de­nie naj­rých­lej­šieho rie­še­nia prob­lému a pre poskyt­nu­tie žela­ného výstupu. Podobne teraz fun­guje aj spo­mí­naná UI. Postu­pom času pou­žíva všetky zís­kané dáta pre čo naje­fek­tív­nej­šie dosia­hnu­tie správ­nych odpo­vedí. Nemusí už teda mecha­nicky vyrá­tať a vybe­rať zo všet­kých poten­ciál­nych výstu­pov a rie­šení, Deep­Mind si dokáže tie správne deri­vo­vať na základe pre­doš­lých skú­se­ností.

Tím výskum­ní­kov uvie­dol dva prí­klady pre lep­šie pocho­pe­nie pro­cesu:

  1. Po zadaní infor­má­cií o vzá­jom­ných vzťa­hoch vrámci rodok­meňa si UI sama zis­tila ďal­šie prí­bu­zen­ské vzťahy jed­not­liv­cov, záro­veň si však opti­ma­li­zo­vala vlastnú pamäť, aby v budúc­nosti mohla tieto infor­má­cie rých­lej­šie nájsť a pra­co­vať s nimi pri hľa­daní rie­šení ďal­ších poten­ciál­nych úloh.
  2. UI boli poskyt­nuté základné infor­má­cie o rie­šení sys­tému verej­nej dopravy v lon­dýn­skom metre. Deep­Mind sa okam­žite začal učiť všetky ostatné trasy a ich rôzne pre­po­je­nia v rámci celého zlo­ži­tého sys­tému.

Exis­tujú rôzne vyhliadky, kam ľud­stvo takýto pokrok pri­ve­die. Od tých totálne pesi­mis­tic­kých, ako napr. Sky-Net alebo zlo­vestná Sho­dan, až po uto­pis­tické, ktoré možno vidieť vo filme Ona alebo u poru­číka Data zo seriálu Star Trek. Verme teda, že na pro­jekte Deep­Mind nepra­cujú žiadni šia­lení vedci, posad­nutí stvo­re­ním stroja na ovlád­nu­tie sveta. Nech už sú okol­nosti aké­koľ­vek, jedna vec ostáva istá, vývoj v oblasti UI určite nestag­nuje.

Zdroj: thenextweb.com, zdroj titul­nej foto: thenextweb.com

Pridať komentár (0)