Tri "buzz" tehnologije bez kojih ne bi bilo revolucije u veštačkoj inteligenciji

Šezdeset godina unazad, veštačka inteligencija najavljivana je kao stvar budućnosti. Danas, posle “AI zime”, došla je renesansa u kojoj postoji velika buka oko tehnologije, i to sa dobrim razlogom — AI ovladava narednom erom softvera. Ovo su koraci koji su prethodili revoluciji:

Big Data

Učenje zavisi od protoka podataka, a ogromna količina podataka o svetu u kom živimo omogućuje svakodnevni napredak veštačke inteligencije. Kao što i čovek ima putanju za učenje, tako i kompjuter mora proći kroz gomilu primera na kojima će naučiti da obavlja određeni zadatak.

Dobar primer za ovo je Google-ov uspeh sa AlphaGo-om. Nemalo Go poznavalaca se opkladilo na ljudske igrače pre nego što je mašina pobedila Li Se-dola u četiri od pet sesija — pre svega jer je igra intuitivna i veliki broj igrača igra na osećaj. No, osećaj često proizilazi iz prethodnih iskustava i stečenog znanja, gde ljudi, izgleda, upadaju u problem.

Statistika je na strani mašine: dok čovek u jednoj godini može odigrati oko hiljadu igara, mašina svakog dana može odigrati nekoliko miliona — sakupljajući više vrednih informacija nego što bi čovek mogao u toku životnog veka.

Duboko učenje

Tek 2006. je Džef Hinton sa Univerziteta u Torontu uneo ključne izmene u digitalne neuralne mreže ne bi li omogućio brže učenje. Neuralne mreže organizovane su u slojeve, u spojeve jednostavnih “neurona” koji služe kao inputi i autputi.

Primer je prepoznavanje lika na slici.

Ovo se odvija prepoznavanjem obrazaca lica kroz slojeve — nakon prepoznavanja oblika jednog oka, procesuiranje se prenosi na naredni sloj gde će dva oka biti spojena u celinu sa značenjem, a potom se na narednim nivoima prepoznaju i ostali elementi lika.

http://america.aljazeera.com/content/dam/ajam/images/shows/innovation/tkepisodes/131-FaceRecognition/FaceRecognition-ShiniPhotoDataPoints.gif

Džef Hinton je slojevitost unapredio matematički optimizujući rezultate za svaki sloj i ubrzavajući učenje. Danas je duboko učenje sastavni deo Google-a, Facebookovih algoritama, kao i IBM-ovog Votsona.

Jačanje GPU-a

Deceniju pre nego što će naučnici na Stenfordu shvatiti da grafičku jedinicu mogu koristiti i za pokretanja neuralnih mreža paralelno, GPU-i su se naveliko koristili u gejmingu i sa njim porasli i postali povoljniji.

Pre toga, procesi koji bi u neuralnim mrežama trebalo da se dešavaju paralelno, odvijali su se jedan po jedan, čineći računanje značajno sporijim.

Recimo, staromodnim procesorima trebalo je nekoliko nedelja za izračunavanje onoga što GPU obavi u jednom danu. Danas se redovno koristi kod prepoznavanja ljudi na slikama na društvenim mrežama ili kod preporuka sadržaja na osnovu prethodnog gledanja/slušanja.

Prvi AI meetup u Startit Centru:

Ako želite da učestvujete u prvoj diskusiji o mogućnostima, opasnostima i promenama koje nam donosi veštačka inteligencija, dođite na naš AI meetup 16. juna.