Это большой. Машинное обучение принимает решения на основе шаблонов, которые оно находит в больших объемах данных. Он делает это, находя связи, связи и корреляции между разными точками данных. Большая часть теории не нова. Например, так называемые «байесовские» или «гауссовские» методологии названы в честь г-на Байеса и г-на Гаусса соответственно, и они выдвинули эти теории 300 лет назад. Новым является появление вычислительной мощности и ее быстрое ускорение за последние пару десятилетий. Вместе они позволяют машинам «учиться» и думать.
Машинное обучение использует огромное количество точек данных для выявления закономерностей. Его можно использовать для выявления групп людей или вещей, которые также имеют сходство, а также для составления прогнозов о мире и людях (то есть всех нас), живущих в нем. Проще говоря, они состоят из математических уравнений, которые при совместном использовании создают машины для прогнозирования. Прогнозы сильны. Они помогают нам понять, что происходит сейчас, что будет дальше, и каковы могут быть последствия наших действий в далеком будущем. Прогнозы дают нам всем новую информацию, знания и, возможно, даже новую коллективную мудрость.
CitizenMe и машинное обучение
CitizenMe использует машинное обучение множеством способов. Это включает в себя: анализ личности и прогнозы на основе личных данных, таких как лайки на странице Facebook (в рамках партнерства с Кембриджским университетом), динамическое рыночное ценообразование личных данных (в рамках партнерства с MIT) и специальные алгоритмы, обеспечивающие защиту конфиденциальности Citizen. как «дифференциальную конфиденциальность» (в партнерстве с Шеффилдским университетом).
Цифровые граждане используют платформу CitizenMe, чтобы узнать, что делает их счастливее в течение рабочей недели, помогает снизить беспокойство в определенных ситуациях или как они могут снизить вероятность заболевания, например диабета или сердечного заболевания. Используя аналогичную технологию искусственного интеллекта, компания или исследовательская организация могут собирать информацию из сотен тысяч (анонимных) обменов данными CitizenMe с отдельными цифровыми гражданами и быстро выявлять изменения в их будущих желаниях, потребностях и желаниях. Любая организация может раскрыть эти знания для небольших нишевых сообществ граждан, а также связать точки между тысячами этих небольших групп. Это святой Грааль служения людям: совершенствование продукта или услуги, чтобы удовлетворить всех нас как уникальных личностей, при одновременном выявлении тенденций, мод и тем на макроуровне, применимых к глобальным цифровым гражданам мира.
Контролируемое обучение
Машины могут создавать новые знания и «учиться» одним из двух способов. Первый - это обучение с учителем, когда компьютер обучается с использованием множества примеров или обучающих данных. CitizenMe отлично подходит для предоставления данных об обучении, поскольку они проверены, разнообразны, хорошо структурированы и получены из этичных источников. И, конечно же, самые ценные из всех обучающих данных - это данные обо всех нас, людях.
Примером контролируемого обучения являются обучающие алгоритмы, позволяющие узнать, как выглядит собака, предоставляя ей тысячи изображений собаки, помеченной как собаки. Затем алгоритм проверяется, чтобы убедиться, что он может правильно определить, какие изображения содержат собак. Даже при тщательном обучении компьютерному интеллекту все еще очень трудно отличить собаку от шоколадно-черничного маффина. ИИ еще предстоит пройти долгий путь, но он движется быстро.
Неконтролируемое обучение
Машины также могут учиться без присмотра или обучения, так называемое обучение без учителя. Здесь ИИ не тренируют, а просят разработать свои собственные правила. Например, механизм перевода Google был недавно обновлен и смог предложить совершенно новый язык, который он считал лучшим из возможных языков для перевода на все другие языки и с них. Это важно, поскольку некоторые из наших самых важных открытий были сделаны, когда мы не знали, что именно искали. Например, по счастливой случайности был открыт пенициллин (и антибиотики). Обучение без учителя преднамеренно хорошо помогает выявить эти случайные связи.
Обучение без учителя полезно для CitizenMe при изучении скрытых взаимосвязей между вещами, например, кластеризации различных культурных ценностей в рамках международного CitizenMe Citizenry. Это позволяет нам лучше узнать самих себя и дает клиентам CitizenMe более глубокое понимание всех наших желаний, потребностей и убеждений.
Если ИИ обучает себя методом проб и ошибок (без присмотра) и получает положительное или отрицательное вознаграждение, это называется обучением с подкреплением. Например, виртуальная мышь в лабиринте может быть вознаграждена сыром (положительные баллы награды) или мышеловкой (отрицательные баллы награды). По мере того, как количество положительных отзывов увеличивается, полученные знания быстро подкрепляются. Обучение с подкреплением широко используется для обучения искусственного интеллекта играм, таким как Go AlphaGoZero, или голосового агента, такого как Alexa или Siri, который со временем может учиться и совершенствоваться.
Глубокое обучение
Самое сложное машинное обучение использует комбинацию множества различных алгоритмов в «нейронной сети», вдохновленной дизайном мозга животных. Это известно как Глубокое обучение. Такие прорывные разработки, как Google AlphaGo (который превзошел лучших игроков в мире в го, самой сложной настольной игре в мире), используют комбинации различных методов глубокого обучения.
Однако, какими бы сложными они ни были, эти передовые ИИ по-прежнему очень узки в своем применении, и если эти «мозги» обучены новой задаче, они быстро забывают то, чему они научились ранее.
Федеративное обучение
Помимо этого, возникает очень серьезный вопрос о том, где эти мозги должны жить. Если они сидят на чужом сервере, могут ли они когда-нибудь действительно стать нашими? Если мы потеряем подключение к Wi-Fi, потеряем ли мы второй мозг? Если наши данные обрабатываются другими компаниями, чтобы помочь им делать прогнозы о нас, сможем ли мы когда-либо действительно владеть ценностью наших собственных данных? Что еще хуже, по мере того, как данные становятся все более личными, отправка их с наших собственных устройств куда-нибудь в облако становится все более серьезным риском мошенничества и кражи личных данных. Где должны жить ваши личные данные в мире глубоких фейков.
В CitizenMe мы изучаем и патентоваем способы создания и запуска ИИ на устройствах и между ними - известные как федеративное обучение. Мы будем больше рассказывать об этом по мере продвижения нашей работы.
Следующее сообщение: Может ли ИИ чувствовать? (Эмоции и человечность)
В этой серии из 7 сообщений блога мы объясняем, чем занимается искусственный интеллект, почему он так полезен для всех нас, чем мы занимаемся в CitizenMe и что это значит для вас.
Как всегда, если у вас есть вопросы, не стесняйтесь обращаться к нам: [email protected]
Первоначально опубликовано на www.citizenme.com 21 января 2019 г.
