תוכן עניינים:
- למידה עמוקה מסתמכת יותר מדי על נתונים
- למידה עמוקה אינה גמישה
- למידה עמוקה היא אטומה
- למידה עמוקה עלולה להיערך יתר על המידה
וִידֵאוֹ: A Batalha dos Jurados - 4.ª Gala - Dance Coolture (נוֹבֶמבֶּר 2024)
בשנת 2012 קבוצת מדענים מאוניברסיטת טורונטו עשתה פריצת דרך לסיווג תדמיתי.
ב- ImageNet, תחרות שנתית של בינה מלאכותית (AI) בה מתמודדים המתמודדים ליצור את האלגוריתם לסיווג תמונות מדויק ביותר, צוות טורונטו התחיל ב- AlexNet, "שגברה על התחום בהפרש של 10.8 נקודות אחוז… 41 אחוז טובים יותר מ הבא הכי טוב ", לפי קוורץ.
רבים שיבחו את הלמידה העמוקה ואת הלמידה העליונה שלה, למידת מכונות, כטכנולוגיה הכללית של עידן שלנו ועמוקה יותר מחשמל ואש. עם זאת, אחרים מזהירים שלמידה מעמיקה בסופו של דבר מיטיבה לבני אדם בכל משימה ותהפוך לרוצח העבודה האולטימטיבי. ופיצוץ היישומים והשירותים המופעלים על ידי למידה עמוקה הציב מחדש את הפחדים מפני אפוקליפסה של AI, בה מחשבים סופר-אינטליגנטיים כובשים את כדור הארץ ומניעים את בני האדם לעבדות או להכחדה.
אך למרות ההייפ, למידה עמוקה יש כמה ליקויים העלולים למנוע ממנה לממש חלק מההבטחה שלה - חיובית ושלילית כאחד.
למידה עמוקה מסתמכת יותר מדי על נתונים
למידה עמוקה ורשתות עצביות עמוקות, המרכיבות את המבנה הבסיסי שלה, משווים לרוב למוח האנושי. אבל המוח שלנו יכול ללמוד מושגים ולקבל החלטות עם מעט מאוד נתונים; למידה מעמיקה דורשת טונות של דגימות כדי לבצע את המשימה הפשוטה ביותר.
בבסיסה, למידה עמוקה היא טכניקה מורכבת הממפה תשומות לתפוקות על ידי מציאת דפוסים נפוצים בנתונים שכותרתו ושימוש בידע לסיווג דגימות נתונים אחרות. לדוגמה, תן ליישום למידה עמוקה מספיק תמונות של חתולים, והוא יוכל לגלות אם תמונה מכילה חתול. באופן דומה, כאשר אלגוריתם של למידה עמוקה מצרף מספיק דגימות צליל של מילים וביטויים שונים, הוא יכול לזהות ולהעתיק דיבור.
אבל גישה זו יעילה רק כאשר יש לך הרבה נתונים איכותיים להזנת האלגוריתמים שלך. אחרת, אלגוריתמים של למידה עמוקה יכולים לעשות טעויות פראיות (כמו לטעות ברובה במסוק). כאשר הנתונים שלהם אינם כוללים ומגוונים, אלגוריתמים של למידה עמוקה אפילו הציגו התנהגות גזענית וסקסיסטית.
הסתמכות על נתונים גורמת גם לבעיית ריכוזיות. מכיוון שיש להם גישה לכמויות אדירות של נתונים, חברות כמו גוגל ואמזון נמצאות בעמדה טובה יותר לפתח אפליקציות יעילות למידה עמוקה מאשר סטארט-אפים עם פחות משאבים. הריכוזיות של AI בכמה חברות עלולה לפגוע בחדשנות ולתת לחברות אלה להתנודד יותר מדי על המשתמשים שלהם.
למידה עמוקה אינה גמישה
בני אדם יכולים ללמוד מושגים מופשטים וליישם אותם במגוון מצבים. אנו עושים זאת כל הזמן. למשל, כשאתה משחק משחק מחשב כמו Mario Bros בפעם הראשונה, אתה יכול להשתמש מייד בידע בעולם האמיתי - כמו למשל הצורך לקפוץ מעל בורות או להתחמק מכדורים לוהטים. לאחר מכן תוכל להחיל את הידע שלך במשחק על גרסאות אחרות של מריו, כמו סופר מריו אודיסיאה, או על משחקים אחרים עם מכניקה דומה, כמו Donkey Kong Country ו- Crash Bandicoot.
עם זאת, יישומי AI חייבים ללמוד הכל מאפס. מבט על האופן בו אלגוריתם למידה עמוקה לומד לנגן את מריו מראה עד כמה שונה תהליך הלמידה של AI מזה של בני האדם. זה בעצם מתחיל לדעת דבר על סביבתו ולומד בהדרגה לקיים אינטראקציה עם האלמנטים השונים. אבל הידע שהוא משיג ממשחק מריו משרת רק את התחום הצר של אותו משחק בודד ולא ניתן להעברה למשחקים אחרים, אפילו למשחקי מריו אחרים.
היעדר הבנה רעיונית ומופשטת זו שומר על יישומים של למידה עמוקה הממוקדים במשימות מוגבלות ומונע התפתחות של בינה מלאכותית כללית, סוג ה- AI שיכול לקבל החלטות אינטלקטואליות כמו בני אדם. זו לא בהכרח חולשה; ישנם מומחים הטוענים כי יצירת AI כללי היא מטרה חסרת תכלית. אך בהחלט מדובר במגבלה בהשוואה למוח האנושי.
למידה עמוקה היא אטומה
בשונה מתוכנה מסורתית, שלגביה מתכנתים מגדירים את הכללים, יישומים של למידה עמוקה יוצרים חוקים משלהם על ידי עיבוד וניתוח נתוני הבדיקה. כתוצאה מכך, איש אינו יודע באמת כיצד הם מגיעים למסקנות והחלטות. אפילו מפתחי האלגוריתמים של הלמידה העמוקה מוצאים עצמם לעתים קרובות נבוכים מתוצאות היצירה שלהם.
חוסר שקיפות זה עשוי להוות מכשול מרכזי עבור AI ולמידה מעמיקה, שכן הטכנולוגיה מנסה למצוא את מקומה בתחומים רגישים כמו טיפול בחולים, אכיפת חוק ומכוניות לנהיגה עצמית. אלגוריתמים של למידה עמוקה עשויים להיות פחות מועדים לטעויות מאשר לבני אדם, אך כאשר הם עושים טעויות, הסיבות העומדות מאחורי טעויות אלה צריכות להיות ניתנות להסבר. אם לא נוכל להבין כיצד יישומי ה- AI שלנו עובדים, לא נוכל לבטוח בהם במשימות קריטיות.
למידה עמוקה עלולה להיערך יתר על המידה
למידה מעמיקה כבר הוכיחה את ערכה בתחומים רבים והיא תמשיך לשנות את הדרך בה אנו עושים דברים. למרות פגמיו ומגבלותיו, למידה עמוקה לא הכשילה אותנו. אבל עלינו להתאים את הציפיות שלנו.
כפי שמזהיר חוקר AI גארי מרקוס, היפיפות יתר של הטכנולוגיה עשויה להוביל ל"חורף AI "נוסף - תקופה בה ציפיות גבוהות מדי וביצועי ביצועים גורמים לאכזבה כללית ולחוסר עניין.
מרקוס מציע כי למידה עמוקה איננה "ממס אוניברסאלי אלא כלי אחד בקרב רבים", מה שאומר שאמנם אנו ממשיכים לחקור את האפשרויות שלמידה מעמיקה מספקת, עלינו לבחון גם גישות אחרות, שונות מיסודותיהן ליצירת יישומי AI.
אפילו פרופסור ג'פרי היינטון, שהיה חלוץ היצירה שהובילה למהפכת הלמידה העמוקה, מאמין שכנראה יהיה צורך להמציא שיטות חדשות לחלוטין. "העתיד תלוי באיזה סטודנט לתארים מתקדמים שחשד עמוק בכל מה שאמרתי, " אמר לאקסיוס.
