As redes de aprendizado profundo podem ser semelhantes ao cérebro, mas isso não significa que elas possam pensar como pessoas. Em um megaset em constante expansão, isso é um problema.
Salve esta história
Salve esta história
Conduzido por Pete Garso / publicaffaars
Você pode comprar este livro em:
Se você comprar algo dos links em nossos artigos, podemos obter uma comissão. Isso ajuda a apoiar nosso jornalismo. Aprender mais
Alguns anos atrás, comecei a estudar o complexo problema da autoria de Shakespeare. Eu queria saber se havia uma peça anônima renascentista “Arden de Phavem” (1590) parcial ou completamente escrita por William Shakespeare. Talvez, como afirmado em alguns estudos, a inteligência artificial pudesse olhar para o campo das peças, dividida em apenas duas categorias – Shakespeare em um lado da cerca, e todos os outros do outro – e colocam decisivamente o “arden do Phershm” do lado direito.
Ai considerou quais palavras Shakespeare e apenas Shakespeare geralmente usavam, bem como as palavras que Shakespeare e apenas Shakespeare evitavam. Os pesquisadores colocaram as peças de Shakespeare em um lado da cerca, e todas as outras peças do Renascença do outro. Em seguida, lançamos a inteligência artificial, instruind o-o a descobrir quais características são características das peças de Shakespeare e, mais importante, quais características são características apenas para as peças de Shakespeare. Assim, quando o “Arden” jogou ai, ele escolheu qual lado da cerca atribui “Arden” – Shakespeariano ou Neshekspirovskaya – dependendo do que as palavras “shakespearianas” estão presentes nele.
O resultado, como se viu, não é convincente. O campo é muito menos arrumado do que eu retratei. AI não vê a cerca que mencionei, separando a categoria. Em vez disso, eles constroem essa cerca. É aqui que surge o problema. Se, depois de construir a cerca, as peças são claramente divididas de ambos os lados, temos uma separação clara entre duas categorias – peças shakespearianas e não para serem discutidas. Mas se essa divisão não for tão arrumada, fica muito mais difícil ter confiança em nossa classificação.
Como esperado, as peças do Renascença não estão tão bem divididas em Shakespeare e Nekhekispirovsky. O estilo e a literatura de Shakespeare são tão diversos e dinâmicos que ele invade o espaço de outros autores – como outros autores costumam vir um com o outro. E apenas a frequência das palavras provavelmente não é suficiente para finalmente provar a autoria. Devemos levar em consideração outras características, como uma sequência de palavras e gramática, na esperança de encontrar um campo no qual você possa desenhar suavemente uma cerca. Até o encontramos. O mesmo pode ser dito sobre as fronteiras entre declarações insultuas e não interpretativas de que a IA perspectiva derrotou o Projeto Google, lançada em 2017 para filtrar declarações insultuas de refinarias e comentários da Internet, ou mesmo a incapacidade do chatbot de determinar as apropriadas e apropriadas e Para determinar as respostas apropriadas e a incapacidade das respostas inadequadas.
O fracasso de Arden de Faversham na classificação pode ser explicado por várias razões. Talvez simplesmente não haja número suficiente de peças para o treinamento adequado da IA. Ou, talvez, haja algo na natureza dos dados sobre as peças do Renascimento, e é por isso que é mais difícil lidar com certos tipos de tarefas de classificação. Eu alegaria que o caso está na natureza dos próprios dados. Um tipo especial de dados que interfere na IA é a linguagem humana. Infelizmente, a linguagem humana também é a principal forma de dados no megaset. Como o idioma está em um beco sem saída na aplicação de aprendizado profundo, a IA e o Megaseti aprenderão a evit á-lo em favor de números e imagens, e isso pode levar ao fato de que as pessoas pararão de usar o idioma na comunicação entre si.
Megasets são o que eu chamo de redes de dados constantes, desenvolvendo e opacas que controlam (ou pelo menos afetam fortemente) sobre como vemos o mundo. Eles são mais do que qualquer uma plataforma ou algoritmo; Em vez disso, o Megasets é uma maneira de descrever como todos esses sistemas ficam confusos um do outro. Eles acumulam dados sobre todas as nossas ações diárias, estatísticas da vida e nosso mundo muito interior. Eles criam grupos sociais que não poderiam existir há 20 anos. E, sendo as novas mentes do mundo, eles se mudam constantemente em resposta ao comportamento dos usuários, o que leva à criação de algoritmos coletivos que nenhum de nós concebeu – mesmo corporações e governos que os controlam. AI é a parte do megaSet que é mais semelhante ao cérebro. Mas, por si só, a rede de aprendizado profundo é um cérebro sem processamento de visão, centros de fala, capacidade de desenvolver e ações.
Mais popular
A ciência
Uma bomba demográfica de uma ação lenta está prestes a atingir a indústria de carne bovina
Matt Reynolds
Negócios
Dentro do complexo supe r-secreto Mark Zuckerberg no Havaí
Gatrine Skrimjor
Engrenagem
Primeira olhada em Matic, um aspirador de robô processado
Adrienne co
Negócios
Novas declarações de Elon Mask sobre a morte de um macaco estimulam novos requisitos para a investigação da SEC
Dhruv Mehrotra
Como mostra meu experimento com as peças de shakespeariano, o idioma é o melhor contr a-argumento contra a aprovação do aprendizado de máquina de que os problemas de “pensamento” podem ser resolvidos apenas através da classificação. O treinamento profundo foi capaz de alcançar uma abordagem notável ao desempenho humano, impondo camadas e camadas de classificadores um sobre o outro, mas em que ponto o classificador baseado na matemática será capaz de trazer de perto o conhecimento, por exemplo, quando usar a TU familiar Pronome em francês comparado ao pronome educado? Vous pode ser uma forma formal de “você”, e Tu é informal, mas não há determinação fixa de formalidades. Não há regras de uso rigorosas e imutáveis, mas há uma mudança constantemente, devido à cultura, um conjunto de recomendações com as quais mesmo as pessoas não podem concordar completamente. Análise dos exemplos inconsistentes e conflitantes do uso de cada um deles, você começa a duvidar que a profunda educação do reconhecimento de imagens algum dia imite ações humanas. A diferença entre “Tu” e “VOUs” é na verdade uma forma mais clara e sutil de diferença entre uma linguagem insultuosa e não interpretativa, que a perspectiva encontrou uma dificuldade tão grande. O número de ambiguidades e contextos estabelecidos na linguagem humana ilude a análise que realiza treinamento profundo.
Talvez um dia os cérebros opacos de aprendizado profundo sejam capazes de abordar o entendimento da linguagem humana, para que se possa dizer que eles realmente entendem a TU versus os ventos e inúmeras outras diferenças semelhantes. No final, não podemos abrir nosso próprio cérebro e ver como nós mesmos fazemos essas diferenças. No entanto, somos capazes de explicar por que decidimos usar o TU ou o VOUs em um caso específico para explicar a interação de nosso próprio cérebro incorporado. O treinamento profundo não pode fazer isso, e este é apenas um dos sinais de quão longe ele tem que ir.
As deficiências do aprendizado profundo são mais insidiosas do que seus erros. Temos a oportunidade de notar erros, mas as deficiências estruturais da aprendizagem profunda dão origem a efeitos mais subtis e sistémicos, cujas deficiências muitas vezes não são de todo óbvias. É arriscado transferir o pensamento humano para máquinas que não são capazes de tal pensamento. Na escala da megaweb, a análise de aprendizagem profunda é tão ampla e complexa que, sem compreender a linguagem, distorce toda a nossa experiência online em direções imprevisíveis e muitas vezes imensuráveis. Quando entregamos o controle das megarredes a esses cérebros de aprendizagem profunda, eles classificam as informações que chegam até eles de acordo com características que nem nós nem eles próprios conseguem definir. Cada vez que o Google sugere uma resposta a uma mensagem de texto ou a Amazon sugere o próximo livro que devemos ler, o aprendizado profundo pensa por nós. Quanto mais aceitamos as suas sugestões, mais fortalecemos as suas tendências. Muitas vezes não é claro se estas tendências são “certas” ou “erradas”, ou mesmo o que são exactamente. E não temos como questioná-los.
