ש:
כיצד רשתות עקשניות עמוקות משחקות תפקיד בהתפתחות AI?
ת:על פניו, רשתות עקשניות עמוקות פשוט "מוסיפות פונקציונליות" למבנה טכנולוגי קיים, הרשת היריבית הגנרטיבית (GAN), אך במציאות, ההתפתחות האחרונה של הרשת העיקשת העמוקה מספרת לנו דברים מהותיים על איך AI יכול להתפתח לכיוון דוגמנות משמעותית לקבלת החלטות אנושיות.
הרשת העקשנית העמוקה מסתמכת על יחסי הגומלין בתוך ה- GAN של שני "ישויות" AI: הגנרטור וה"הפלה ". הגנרטור "מייצר" תוכן או דוגמאות או נתוני בדיקה או כל מה שתבחר לקרוא לזה. המפלה לוקח את הקלט וממיין אותו או מקבל החלטות על סמךו. שני החלקים הללו ברשת עיקשת עמוקה הם ישויות עצמאיות למטרות מחקר AI, אך הם עובדים יחד.
חשוב לציין כי הספרות הציבורית הזמינה ברשתות עיקשות עמוקות היא דלילה, ונראה שהיא מורכבת ממספר קטן של תיאורים נפוצים בדפי הדירוג המובילים בגוגל. אחד הסמכותיים ביותר, ב- KDNuggets, מציין את השימוש ב"מקדם Goodfellow "שאינו ניתן לגלות בפני עצמו באמצעות חיפוש בגוגל. (איאן גודפלו הוא מדען מחשבים שנזקף לזכותו כמה מהרעיונות הבסיסיים שמאחורי רשתות עיקשות עמוקות.)
עם זאת, הרעיון של הרשת העיקשת העקשנית העמוקה מוסבר ב- KDNuggets ובמקומות אחרים: הרעיון הבסיסי הוא שהגנרטור יכול "לנסות להערים" על המפליל, וניתן להפוך את המפלה ל"מפלה יותר "עד שיהפוך, באופן מסוים, חיוני ב"ספק העצמי "שלו ואינו בוחר להחזיר תוצאות. לאחר מכן, מתרחש שלב חשוב נוסף: התוכנית, באמצעות התערבות אנושית או אלגוריתמים, "משודלת" כדי לתת תשובה.
במודל זה, אנו מתחילים לראות את ה- AI עושה צעד עצום, פשוט מדגמן נתונים או ניתוח מערכות הדרכה, ועד קבלת סוגים של החלטות ברמה גבוהה שאנו חושבים שהם נמצאים בתחום האנושי. בהערכתם של דפוסי "הבחירה" של מפלה ה- AI וגם את דפוסי "הבחירה" של אדם, מציינת היצירה KDNuggets את "פרדוקס הבחירה" החלוץ בארי שוורץ. כמה פוסטים עצמאיים בבלוג מתארים כיצד הרשת העיקשת העקשנית מדגישה התנהגויות אנושיות בעיקרו: ג'יי יעקב שטרן מתרברב על המגבלות הנוכחיות ועל ההתקדמות האפשרית במגהץ ממושך על IVR, ואלכסיה ג'וליקור-מרטינו חושפת כמה מהתוצאות האחרונות ש- GAN יכול להפיק.
אז במובן מסוים, ההשפעה העיקרית של רשתות עיקשות עמוקות על AI היא לכוון או להרחיב את המחקר מעבר לסוגי קבלת ההחלטות החלים בקלות על ארגונים, ולקדם מחקר פורץ דרך לקראת הפיכת מחשבים לדומים יותר לבני אדם. יכול להיות מספר יישומים של רעיון זה לארגון, אך הם אינם חתוכים ויבשים כמו, למשל, היישום הנוכחי של אלגוריתמי למידת מכונה למנועי המלצות צרכנים, או השימוש בתהליכי ML חכמים בשיווק. נראה כי מחקרי DSN מציעים שנוכל להפוך את גורמי ה- AI לחיוניים יותר, הנושאים עימם מידה רבה של סיכון, כמו גם תגמול.
