4 motivi per non temere il deep learning (ancora) | ben Dickson

Nel 2012, un gruppo di scienziati dell'Università di Toronto ha fatto una svolta nella classificazione delle immagini.

A ImageNet, una competizione annuale di intelligenza artificiale (AI) in cui i concorrenti competono per creare l'algoritmo di classificazione delle immagini più accurato, il team di Toronto ha debuttato AlexNet ", che ha battuto il campo con un enorme margine di 10, 8 punti percentuali… il 41 percento migliore di il prossimo migliore ", secondo Quartz.

L'apprendimento profondo, il metodo utilizzato dal team, è stato un miglioramento radicale rispetto ai precedenti approcci all'IA e ha inaugurato una nuova era di innovazione. Da allora ha trovato la sua strada nell'istruzione, nella sanità, nella sicurezza informatica, nei giochi da tavolo e nella traduzione e ha raccolto miliardi di dollari in investimenti nella Silicon Valley.

Molti hanno elogiato il deep learning e il suo superset, machine learning, come tecnologia di uso generale della nostra era e più profonda dell'elettricità e del fuoco. Altri, tuttavia, avvertono che l'apprendimento profondo alla fine riuscirà a meglio gli umani in ogni compito e diventerà l'ultimo killer di lavoro. E l'esplosione di applicazioni e servizi alimentati dal deep learning ha riacceso i timori di un'apocalisse dell'IA, in cui i computer super-intelligenti conquistano il pianeta e spingono gli umani verso la schiavitù o l'estinzione.

Ma nonostante l'hype, il deep learning ha alcuni difetti che potrebbero impedirgli di realizzare alcune delle sue promesse, sia positive che negative.

Il deep learning si basa troppo sui dati

L'apprendimento profondo e le reti neurali profonde, che comprendono la sua struttura sottostante, sono spesso paragonate al cervello umano. Ma le nostre menti possono apprendere concetti e prendere decisioni con pochissimi dati; l'apprendimento profondo richiede tonnellate di campioni per eseguire il compito più semplice.

Alla base, il deep learning è una tecnica complessa che mappa gli input agli output trovando modelli comuni nei dati etichettati e usando le conoscenze per classificare altri campioni di dati. Ad esempio, dai a un'applicazione di apprendimento profondo abbastanza immagini di gatti e sarà in grado di rilevare se una foto contiene un gatto. Allo stesso modo, quando un algoritmo di apprendimento profondo ingerisce abbastanza campioni sonori di parole e frasi diverse, può riconoscere e trascrivere la parola.

Ma questo approccio è efficace solo quando hai molti dati di qualità per alimentare i tuoi algoritmi. Altrimenti, gli algoritmi di apprendimento profondo possono commettere errori selvaggi (come scambiare un fucile per un elicottero). Quando i loro dati non sono inclusivi e diversi, gli algoritmi di apprendimento profondo hanno persino mostrato comportamenti razzisti e sessisti.

La dipendenza dai dati causa anche un problema di centralizzazione. Poiché hanno accesso a grandi quantità di dati, aziende come Google e Amazon sono in una posizione migliore per sviluppare applicazioni di deep learning altamente efficienti rispetto alle startup con meno risorse. La centralizzazione dell'intelligenza artificiale in alcune aziende potrebbe ostacolare l'innovazione e dare a quelle aziende un eccessivo dominio sui propri utenti.

L'apprendimento profondo non è flessibile

Gli esseri umani possono apprendere concetti astratti e applicarli a una varietà di situazioni. Lo facciamo sempre. Ad esempio, quando giochi a un gioco per computer come Mario Bros. per la prima volta, puoi immediatamente usare la conoscenza del mondo reale, come la necessità di saltare ai box o schivare le palle infuocate. Successivamente puoi applicare la tua conoscenza del gioco ad altre versioni di Mario, come Super Mario Odyssey, o ad altri giochi con meccaniche simili, come Donkey Kong Country e Crash Bandicoot.

Le applicazioni AI, tuttavia, devono imparare tutto da zero. Uno sguardo a come un algoritmo di apprendimento profondo impara a giocare a Mario mostra quanto sia diverso il processo di apprendimento di un'IA da quello umano. In sostanza inizia a non sapere nulla del suo ambiente e impara gradualmente a interagire con i diversi elementi. Ma la conoscenza che ottiene giocando a Mario serve solo lo stretto dominio di quel singolo gioco e non è trasferibile ad altri giochi, anche ad altri giochi di Mario.

Questa mancanza di comprensione concettuale e astratta mantiene le applicazioni di apprendimento profondo focalizzate su compiti limitati e impedisce lo sviluppo dell'intelligenza artificiale generale, il tipo di intelligenza artificiale che può prendere decisioni intellettuali come fanno gli umani. Questa non è necessariamente una debolezza; alcuni esperti sostengono che la creazione di AI generale sia un obiettivo inutile. Ma è certamente una limitazione rispetto al cervello umano.

L'apprendimento profondo è opaco

A differenza del software tradizionale, per il quale i programmatori definiscono le regole, le applicazioni di deep learning creano le proprie regole elaborando e analizzando i dati dei test. Di conseguenza, nessuno sa davvero come giungere a conclusioni e decisioni. Anche gli sviluppatori di algoritmi di apprendimento profondo spesso si trovano perplessi dai risultati delle loro creazioni.

Questa mancanza di trasparenza potrebbe rappresentare un grave ostacolo per l'IA e l'apprendimento profondo, poiché la tecnologia cerca di trovare il suo posto in settori sensibili come il trattamento dei pazienti, le forze dell'ordine e le auto a guida autonoma. Gli algoritmi di apprendimento profondo potrebbero essere meno inclini a fare errori rispetto agli umani, ma quando commettono errori, le ragioni dietro tali errori dovrebbero essere spiegabili. Se non riusciamo a capire come funzionano le nostre applicazioni di intelligenza artificiale, non saremo in grado di fidarci di esse per le attività critiche.

Il deep learning potrebbe essere sovrascritto

L'apprendimento profondo ha già dimostrato il suo valore in molti campi e continuerà a trasformare il modo in cui facciamo le cose. Nonostante i suoi difetti e limiti, l'apprendimento profondo non ci ha deluso. Ma dobbiamo adattare le nostre aspettative.

Come ammonisce lo studioso di intelligenza artificiale Gary Marcus, l'overhyping della tecnologia potrebbe portare a un altro "inverno dell'IA", un periodo in cui aspettative troppo alte e prestazioni insufficienti portano a delusioni generali e mancanza di interesse.

Marcus suggerisce che l'apprendimento profondo non è "un solvente universale ma uno strumento tra i tanti", il che significa che mentre continuiamo a esplorare le possibilità offerte dall'apprendimento profondo, dovremmo anche esaminare altri approcci fondamentalmente diversi alla creazione di applicazioni AI.

Perfino il professor Geoffrey Hinton, che ha aperto la strada al lavoro che ha portato alla rivoluzione dell'apprendimento profondo, ritiene che probabilmente dovranno essere inventati metodi completamente nuovi. "Il futuro dipende da uno studente laureato che è profondamente sospettoso di tutto ciò che ho detto", ha detto ad Axios.