[SCHOAKING]
[RUSLING]
[CLIC]
SPEAKER 2: Înainte de a
continua, vă rugăm să
vizionați următorul videoclip:
Mashable, „Asistentul AI Google
poate acum să facă apeluri telefonice reale”.
BRANDON LESHCHINSKIY:
Bună, tuturor.
Numele meu este Brandon Leshchinskiy.
Vă mulțumesc mult că m-ați primit.
Ceea ce tocmai am văzut a fost un
exemplu foarte bun,
cred, a ceea ce majoritatea
oamenilor ar numi AI.
Acum, lasă-mă să întreb, ce este AI?
VORBATOR 1: Răspunsuri
de la participanți:
VORBITTOR 2: Inteligența artificială

este ceva ce poate învăța.
Este mai mult decât un program
care urmează reguli.
Este capabil să se adapteze.
VORBATOR 1: Ceva care să
ne ușureze viața.
SPEAKER 2: O mașină care
simulează luarea deciziilor umane
și înțelegerea într-
o măsură în care nu se
poate distinge
de o ființă umană.
BRANDON LESHCHINSKIY:
Deci, deja,
vedem una dintre
problemele aici, este
că „AI” este un
termen foarte supraîncărcat.
Cred că cele mai multe
definiții tipice sunt cele
mai apropiate de ultima, că
inteligența artificială este atunci când
o mașină sau un
computer poate prezenta
unele semne de
inteligență asemănătoare omului.
Cineva a menționat învățarea.
Acesta ar fi un subset al
inteligenței artificiale, în care
vom intra.
Dar, în orice caz, o
parte din punct de vedere
aici este că AI este un
termen foarte supraîncărcat care
poate însemna multe
lucruri diferite
pentru o mulțime de oameni diferiți.
Și gluma din
comunitatea AI este
că este AI până ne
dăm seama cum să o facem,
iar apoi, după aceea,
este doar codificare.
După cum am spus, vă mulțumesc
foarte mult că m-ați primit.
Numele meu este Brandon.
Sunt proaspăt absolvent al MIT.
Și în atelierul de astăzi,
vom aborda elementele de bază
ale inteligenței artificiale.
Vom vorbi despre
învățarea automată.
Vom antrena un
algoritm împreună.
Și vă las cu
câteva întrebări
și un cuvânt de precauție.
Înainte de a intra în
toate acestea,
vreau să încep cu
concluzia principală, și anume,
cu datele potrivite
și modelul potrivit,
inteligența artificială
poate rezolva multe probleme.
Dar alegerea problemei potrivite,
găsirea datelor potrivite
și formarea
modelului potrivit poate fi dificilă.
Deci, dacă nu
vă amintiți nimic altceva
de la atelierul de astăzi,
acest diapozitiv este concluzia cheie.
Și așa cum am spus, vom acoperi
inteligența artificială.
Vom vedea câteva
exemple diferite
de instrumente care pot
fi folosite pentru a implementa
inteligența artificială,
inclusiv ceva
numit învățarea automată.
Vom vorbi despre diferite
tipuri de învățare automată
și despre diferite probleme care pot fi
rezolvate prin învățarea automată.
Și permiteți-mi doar să spun, deoarece,
probabil, mulți dintre voi
deja vă întrebați
ce este învățarea profundă?
Învățarea profundă este fie un
subset, fie un subset al unui subset
al învățării automate.
Deci, pentru cei dintre voi care sunt
familiarizați cu rețelele neuronale
sau cu învățarea profundă,
acesta este un instrument care
ar putea fi folosit în
problemele de învățare automată.
Nu vom vorbi deloc despre asta
în profunzime astăzi,
dar sper că până la
sfârșitul atelierului,
băieți, veți avea elementele
fundamentale necesare pentru a explora
învățarea profundă
la nivel conceptual
dacă doriți să faceți
asta altădată.  .
Toate acestea fiind spuse, să
intrăm în elementele de bază ale AI.
Deci AI poate fi generală
sau poate fi îngustă.
Când vorbim despre
inteligența artificială generală,
este atunci când o mașină
poate învăța orice sarcină
pe care o poate îndeplini un om.
Acest lucru nu există.
Nu există roboți Terminator.
Nu există... nu există
IA generală.
Și experții variază foarte mult în ceea ce
privește predicțiile lor
cu privire la momentul în care se poate
întâmpla acest lucru.
Deci sunt unii oameni
care spun, o, 10, 20 de ani,
sunt unii oameni care
spun că nu în viața noastră
și unii oameni
care spun, niciodată.
Deci o
gamă foarte largă de presupuneri.
În orice caz, majoritatea AI-- îmi
pare rău, toată IA care
există astăzi și cea mai mare parte a AI despre
care auziți oamenii
vorbind sunt înguste.
Și IA îngustă este atunci când un
computer prezintă inteligență
la o sarcină.
Pentru a fi clar, puteți face
lucruri destul de impresionante
cu AI îngustă.
O mașină care se conduce singur, de exemplu,
are un sistem AI îngust
care face viziune.
Se uită la drum
și interpretează lucrurile.
Există un alt sistem AI
care face direcția,
care controlează mașina.
Există un alt sistem AI
care face planificarea rutei --
care spune, la un
nivel larg, unde
mergem, cum ajungem acolo?
Și când le uniți pe
toate,
puteți crea
un sistem foarte impresionant.
Dar nu poți să așezi această mașină
și să joci șah cu ea.
Această mașină nu va
învăța să picteze.
Această mașină nu va învăța
să vorbească rusă.
Îndeplinește un set specific
de sarcini, fiecare dintre acestea
fiind instruită separat.
Și asta este IA îngustă.
Așa că de acum înainte,
când spun AI,
vorbesc despre
inteligența artificială îngustă.
Aveți întrebări până acum?
SPEAKER 2: Întrebare
de la participant:
SPEAKER 1: În ce
categorie vă încadrați în ceea ce
privește IA generală?
Când crezi că
va fi posibil?
BRANDON LESHCHINSKIY:
Nu cred că se va
întâmpla pentru o vreme,
ca multe, multe decenii.
Dar cred, de asemenea,
că cu siguranță se va
întâmpla la un moment dat.
Multe decenii până poate secole.  Nu
știu.
Cred că
progresul tehnologic este greu de ghicit.
Așa că cred că este o misiune prostească.
Oricum, ce
face de fapt IA îngustă?  Ei
bine, sarcinile tipice, așa cum am
văzut cu exemplul mașinii cu conducere autonomă
, includ viziunea,
procesarea limbajului
și planificarea.
Acestea sunt doar
câteva exemple.
Deci, viziunea va fi
înțelegerea sau crearea de
imagini sau videoclipuri.
Procesarea limbajului -
înțelegerea sau crearea
vorbirii sau a textului.
Acesta va fi, cum ar fi,
Siri sau Amazon Alexa.
Și planificare.  O
mulțime de
tipuri diferite de planificare.
Puteți face planificarea rutei,
planificarea mișcării, planificarea sarcinilor.
Toate aceste lucruri se încadrează în
categoria sarcinilor restrânse de AI pe
care le puteți antrena pe
un algoritm.
În ceea ce privește modul în care
construim de fapt AI,
există o mulțime de moduri diferite.
Două moduri clasice de a implementa
inteligența artificială --
și îmi amintesc că am aflat
despre asta și că am spus,
uau, asta nu este
inteligență deloc.
Asta e super prost.
Sunt sisteme experte
și căutare în arbore.
Deci, într-un sistem expert,
este doar o persoană care
scrie o listă de reguli.
Dacă aceasta, atunci aceea.
Dacă aceasta, atunci aceea.
Acest lucru poate fi foarte util
pentru anumite probleme.
Dar multe dintre
lucrurile pe care le
considerăm cu adevărat
simple se dovedesc
a fi destul de dificile.
Deci, de exemplu,
putem identifica un
astfel de tabel--
foarte, foarte ușor.
Știm care este masa.
Dar te provoc să
scrii o listă de reguli
care pot defini un tabel.
Ce culoare este?  Din
ce e facut?
Câte picioare are?
Ce forma are?
Așadar, se dovedește că
chiar și ceva de genul „ce
este un tabel” devine cu adevărat,
foarte dificil de a răspunde
folosind un sistem expert.
Deci acestea pot fi cu adevărat utile.
Și există câteva
modalități simple pentru celălalt--
există unele probleme
în care euristica este de fapt cea
mai bună modalitate de a face acest lucru.
Pentru că este interpretabil,
știi ce se va întâmpla
și nu ai nevoie de o
rețea neuronală pentru fiecare problemă.
Dar acest lucru cu siguranță nu poate rezolva
orice problemă [INAUDIBIL]..
Un alt tip de algoritm pe care oamenii l-
ar putea folosi în IA clasică,
se numește căutare în arbore.
Începi în starea ta actuală.
Aceasta este starea A.
Și enumerați
toate
opțiunile posibile de acolo.
Și apoi repeți
asta pentru fiecare stare
până când găsești
starea în care vrei
să ajungi în -- starea ta de obiectiv.
Acum, o problemă evidentă aici...
o mulțime de opțiuni.
O mulțime de opțiuni atunci când
operezi în lumea reală.
Deci, cum le
enumerați pe toate?
Și uneori, poate
fi chiar dificil să definiți o
stare de obiectiv.
Când joc șah, știu că există
un obiectiv de victorie -
șahmat.
Dar în mediile din viața reală,
nu este atât de simplu.
Deci, din nou, poate fi
foarte, foarte util.
Și așa l-
au învins computerele de șah pe Garry Kasparov.
Dar și limitat.
Deci, acum, vedem că acestea sunt doar
două moduri de a implementa AI.
Nu sunt chiar așa deștepți.
Ca, cei mai mulți dintre noi ar fi putut
veni cu acestea.
Dacă ni s-ar fi
spus, de exemplu, să găsim
o modalitate de a
rezolva această problemă,
probabil ne-am fi dat seama
că o listă de reguli
sau enumerarea tuturor
opțiunilor...
da, asta are sens.
Deci, să trecem acum la
învățarea automată, care
este un subset de
inteligență artificială
care permite unei mașini să
învețe automat din date.
Și asta a
menționat altcineva.
Deci aici nu există un
programator care să stea acolo
să programeze
sau să schimbe codul în mod explicit, să
schimbe modelul.  E ca și cum,

dacă se întâmplă asta,
atunci ar trebui să
faci asta.
Învață automat
uitându-se la date.
Și voi spune mai multe despre
învățare într-o secundă.
Dar permiteți-mi să
răspund mai întâi la întrebarea:
când folosim învățarea automată?
Deci, învățarea automată poate
îndeplini multe sarcini diferite.
Trei dintre cele mai comune sunt
clasificarea, gruparea
și regresia.
Clasificare înseamnă,
iată câteva date de intrare.  O să
vă dau
rezultatul unei clase.
Deci poate este o imagine și
vă spun ce fel de animal
este.
Poate că este o listă de
informații despre cineva
și vă spun dacă
este sau nu o amenințare.
Dă-mi o contribuție,
eu îți dau o clasă.
Clustering este, din nou, tu
îmi dai un fel de input,
iar eu voi găsi clustere.
O să găsesc
lucruri care sunt asemănătoare.
Poate că grupez
diferite grupuri de animale
sau alte grupuri similare
de animale împreună.
Poate că este o
secvență de gene asemănătoare.
Oh, astea par legate cumva.
Deci, gruparea poate fi cu adevărat
utilă, mai ales în genetică,
din ceea ce am auzit,
nu că aș fi făcut asta vreodată.
Și apoi un alt tip de
problemă este regresia.
Și regresia este, din nou,
obțineți date de intrare.
Dar, în loc să pui o
clasă, cum ar fi „câine” sau „sigur”,
pui o predicție numerică.
Așa că poate preziceți
prețul casei pe baza metru pătrat.
Poate că preziceți
rata criminalității în funcție de locație.
Și în acest exemplu,
permiteți-mi să vă pun doar o
întrebare, care este modelul
pe care îl folosim?
Care este modelul
mașinii -- din punct de vedere tehnic,
este un model de învățare automată.
Sau o poți numi așa.
Care este modelul pe care l-am
antrenat în acest exemplu?
Ce face de fapt
predicția?
SPEAKER 1: Răspuns
de la participant.
VORbitor 2: Linia roșie?
BRANDON LESHCHINSKIY: Exact.
Este o linie.
Și vreau doar să spun asta,
pentru că cred că mulți oameni
cred că modelele sunt
foarte complicate.
Uneori, modelul
este doar o linie.
Ca, acesta este un model.
Îi dau un fel de intrare
și îmi dă o ieșire.
Acesta este un model.
Puteți folosi și o curbă.
Puteți folosi o rețea neuronală.
E mult mai complicat...
mult mai multe operațiuni acolo.
Dar toate acestea sunt modele.
Deci, așa cum am spus,
învățarea automată poate îndeplini multe sarcini.
Clasificarea,
gruparea și regresia
sunt cele mai frecvent efectuate.
Și acum, vreau să vorbesc
puțin despre ce înseamnă de fapt
să înveți ceva.
Ce înseamnă pentru
o mașină să învețe?
Există întrebări
până în acest moment?
VORBATOR 2: Întrebare
de la participant:
VORBITTOR 1: Unde se încadrează
o rețea convoluțională
în schema lucrurilor?
BRANDON LESHCHINSKIY: Deci,
rețelele neuronale convoluționale
sunt un instrument foarte specific
care este folosit de obicei
în viziunea computerizată.
Acesta este un model.
Și vom... permiteți-mi să mă întorc
la rețelele neuronale convoluționale
după această secțiune.
Voi vorbi pe scurt despre ele.
Deci trei tipuri de
învățare, băieți.
Există învățare supravegheată,
nesupravegheată
și de întărire.
Când vorbim despre
învățarea supravegheată,
este într-adevăr ca și cum
ai studia pentru un test.
Am să
vă dau exemplul.  Îmi
pare rău, o să
vă dau întrebările
și răspunsurile în avans.  Ai de
gând să studiezi.
Aceștia vă veți da seama
care sunt modelele largi.
Și apoi o să te testez.
Acest lucru este adesea--
nu trebuie să fie,
dar este adesea aplicat
problemelor de clasificare.
Acum, lucrul cheie aici este
că, în învățarea supravegheată,
trebuie să aveți
răspunsurile în avans.

Cu alte cuvinte, trebuie să aveți date etichetate.
Trebuie să... nu este
suficient să arăt
modelului o grămadă de imagini.
Imaginile trebuie să fie etichetate
ca pisică, vacă, girafă, câine,
orice.
Amenințare, nu amenințare.
Trebuie să existe răspunsuri.
În caz contrar, ar
fi ca și cum ți-ar da
carduri cu o singură față.
Și o întorci și
ești ca, habar n-am.
Deci asta
este învățarea supravegheată.
În
învățarea nesupravegheată, este mai mult...
nu aveți acele răspunsuri.
Nu ai acele etichete.
Este mai mult ca un copil care se joacă.
Doar
descoperi modele.
Acesta este adesea folosit
în grupare.
Nu știu, a priori,
cum vor arăta clusterele potrivite
.
Habar n-am cum ar
trebui să arate.
Tot ce știu este, oh,
astea arată ceva...
seamănă oarecum.
Acestea seamănă oarecum
și arată oarecum diferit unul
de celălalt.
Dar nu am nicio
sursă externă de informații
în ceea ce privește tipul de
clasă căreia îi aparține.
Are sens?
Deci, aceasta este învățare nesupravegheată.
Și apoi ultimul tip de
învățare despre care vom vorbi
este învățarea prin întărire.
Învățarea prin întărire este, din
nou, că nu
ai cu adevărat un răspuns corect și nici
nu te joci cu adevărat.
Este ceva separat.
Îți propuneți să recompensați
un fel de comportament
sau un fel de
soluție la o problemă.
E ca un șobolan într-un labirint.
Îi dai brânză
și descoperă
singur strategii câștigătoare.
Deci nu ai
răspunsul corect.
Știi doar că ai nevoie de
lucru pentru a ieși din labirint.
Acest lucru este adesea folosit în
robotică, de exemplu,
cu antrenarea unui
braț robotic sau poate antrena
un agent într-un joc.
Deci
învățare de întărire supravegheată, nesupravegheată.
Acestea sunt cele trei moduri de a
învăța în învățarea automată.
Aveți întrebări despre
aceste trei lucruri?
SPEAKER 1: Întrebare
de la participant:
SPEAKER 2:
Învățarea prin întărire este în
cazul în care știm ce
am vrut să facem
și cifrele tehnologice care oferă
parametri pentru a
ajunge acolo?
BRANDON LESHCHINSKIY: Exact.
Așa că ați putea, de exemplu, să
spuneți, să câștigați acest joc
și, pe parcursul a
un milion de simulări,
lucrul învață, o,
probabil, asta
are șanse mari
de a câștiga jocul.
Asta nu
mă lasă să fac chestia asta.
Acum, permiteți-mi să
adaug despre
învățarea prin întărire - toate aceste
tipuri de învățare
au, desigur, argumente pro și contra.
Deci, cu
învățarea supravegheată, compromisul
este că aveți nevoie doar de o
cantitate stupidă de date etichetate.
Și atunci asta durează o veșnicie.  Culegerea și etichetarea datelor
poate fi foarte, foarte costisitoare
.
Cu învățarea nesupravegheată,
nu
știi neapărat care este răspunsul corect.
Deci, vă poate ajuta să
descoperiți tipare,
dar poate să nu fie la fel de puternic
ca învățarea supravegheată.
Și cu
învățarea prin întărire, adevăratul truc
este, cât de bună este simularea ta?
Pentru că nu vei
lua o mașină adevărată și vei
învăța prin întărire
cu o mașină adevărată.
Îți va lua
un milion de iterații.  Va trebui
să
treci printr-un milion de mașini
înainte ca acesta să învețe să
conducă fără să se prăbușească.
Când o simulezi,
atunci întrebarea este,
cât de bună este simularea ta?  Se va
aplica de fapt
în lumea reală?
Captați tot
zgomotul, toate tulburările,
toate posibilitățile?
Îți surprinzi acel motociclist
care te întrerupe, sau vântul
sau reflectarea
soarelui pe un semn alb?
Deci există avantaje și
dezavantaje pentru fiecare dintre acestea.
Deci, acum, ceea ce vom
face este să ne

antrenăm propriul algoritm.
Și din nou, vreau să
reiterez punctul principal
al acestei prezentări înainte de a
intra în acel
antrenament cu algoritm.
Cu datele potrivite
și modelul potrivit,
AI poate rezolva multe probleme.
Alegerea problemei potrivite,
găsirea datelor potrivite,
formarea modelului potrivit sunt
toate potențial dificile.
Deci hai să facem asta.
Vom
parcurge cei șapte
pași ai antrenării unui algoritm.
Primul pas este definirea unei probleme.
Acum, aici, am
definit-o pentru noi.
Am spus, vom
decide dacă o poză este
o pisică sau un câine.
Deci, mai întâi, permiteți-mi să vă întreb,
ce fel de problemă de învățare automată
este aceasta?
SPEAKER 1: Răspuns
de la participant:
SPEAKER 2: Clasificare.
BRANDON LESHCHINSKIY: Cool.
Toată lumea vede de ce?
Primesc un fel de input.
Primesc o imagine.
Și
vă spun despre ce clasă
este, din ce clasă aparține.
Este fie o pisică, fie un câine.
Acum, în acest caz, munca
de identificare a problemelor
a fost făcută pentru noi
și presupunem
că clasificarea
între pisici și câini
reduce de fapt
un decalaj important.
Totuși, permiteți-mi să spun doar că
identificarea problemelor
este foarte importantă.
Există o mulțime de probleme care
nu pot fi rezolvate de AI, punct.
Dacă aveți probleme cu
diversitatea în unitatea dvs.,
învățarea automată
nu este răspunsul.
Dar, ca în orice tehnologie nouă,
este cu adevărat seducătoare.
Este cu adevărat sexy.
Toată lumea vrea să fie
ca, oh, folosim AI.
Așa că vreau doar să
clarific că este
important să fii cu discernământ în ceea ce privește
unde aplici chiar și AI.
Și asta vine chiar în
primul pas al,
care este problema pe care
încercăm să o rezolvăm?
Defineste problema.
Pasul doi este, cool,
am o problemă.
Găsiți date.
Ce fel de date am nevoie
pentru a rezolva această problemă?
Deci, să presupunem că am vrut să antrenez
un algoritm care poate clasifica
între pisici și câini.
Ce fel de date ar
trebui să mă uit?
VORbitorul 2: Răspunsul
participantului:
VORBITORUL 1: Vor fi
o mulțime de date vizuale, o mulțime
de imagini care să arate că pisicile pot arăta în toate
aceste feluri diferite,
câinii pot arăta în toate
aceste moduri diferite.
BRANDON LESHCHINSKIY:
Deci ceva de genul acesta.
Exact.
Acum, aceste date au etichete.
Deci, ce fel de învățare
suntem capabili să facem ca rezultat?
SPEAKER 2: Răspunsul
participantului.
VORBITOR 1: Învățare supravegheată.
BRANDON LESHCHINSKIY: Da.
Pentru că avem
răspunsul corect în avans.
Așa că îl putem antrena și
spune, ah, aceasta este o pisică.
Acesta este un caine.
Acum, dacă nu am avea etichete,
ceea ce ar putea face algoritmul nostru
este să le grupeze
și să spună, oh,
există acest tip de lucruri și
există acest tip de lucruri
și arată diferit.
Dar nu există nicio
referință externă.
Chestia nu are idee
ce este o pisică sau un câine.
Doar spune că aceste
două lucruri arată diferit.
Vedeți toată lumea
diferența
dintre supravegheat
și nesupravegheat?
Deci, în acest fel,
putem spune de fapt, aceasta este o pisică.
Acesta este un caine.
VORTATOR 1: Întrebare
de la participant:
VORBITTOR 1: Așa și-au dezvoltat
Google și alte companii

tehnologia, folosind oameni
pentru a dezvolta pool-uri de date?
BRANDON LESHCHINSKIY:
Da, există...
Nu, dacă voi băieți... dacă cineva de
aici este familiarizat cu XKCD.
Este un webcomic online.
Există unul în care este ca,
este o chestie de conectare la Google
și este ca, te rugăm să găsești
imaginea cu semnul de oprire.
Următorul cadru... te rog fă-o
repede.
Mașina noastră se apropie de
intersecție.
Deci, da, ei sunt absolut
ei care colectează date de antrenament
punând oameni să le eticheteze.
Deci, următorul pas după ce am
găsit datele este datele curate.
Și știu că asta se simte
ca, poate, străin.
Dar pentru oricine de aici care
a lucrat cu date înainte,
obțineți că aceasta este, de exemplu, 80% din
știința datelor și 80% din AI.
Curățarea datelor este
cea mai mare durere,
dar este cea mai mare parte a muncii.
Se datorează faptului că datele nu
există doar în acest mod frumos în care
le puteți arăta
unui model de învățare automată
și începe să învețe.
Ca, datele există într-un
director ciudat de pe internet de
unde trebuie să le descarci
, trebuie să le reorganizezi,
trebuie să le denumești
corect,
trebuie să te asiguri că
nu există erori acolo,
trebuie să te asiguri că
pot accesa rapid,
bla, bla, bla.
Așadar, curățarea datelor este
o mare parte a ceea ce
înseamnă să fii un om de știință a datelor
și să faci învățare automată
sau să faci AI.
Și de aceea, dacă aveți
deja date curate, o, Doamne,
este ca un
paradis al cercetătorilor de date,
pentru că ei nu
trebuie să facă treaba asta.
Ei pot merge să descarce
lucruri și să antreneze modele,
iar asta este partea distractivă.
Așa că obținerea de date bune și curate
este un avantaj uriaș
pentru orice tip de dezvoltare AI.
Pentru noi, vom spune
că acum este curat.
Pasul patru este să alegeți un model.
O să
vă arăt un model.
Acum, nu te
atașa de acest model.
Nu este un model bun.
Nu este un
model util în lumea reală.
Este un model pe care îl vom
folosi pentru a ilustra
câteva concepte cheie.
Deci acesta este modelul nostru.
Câinii mereu gol,
uneori goali.
Pisicile... întotdeauna, uneori.
Acest model este interpretabil.
Înseamnă că s-ar putea să
nu fie bine, vom găsi.
Dar cel puțin, vom
putea ști ce face.
Nu va fi
întotdeauna adevărat.
Dar acesta este modelul pe care îl vom
folosi.
Așa că acum, hai să-l antrenăm.  Să
vedem ce înseamnă pentru
modelul nostru să învețe ceva.
Vom arăta
intrările modelului
și îl vom întreba
, ce este chestia asta?
Dacă le răspunde
corect, modelul e grozav.
Nu trebuie actualizat.
Dacă se înțelege greșit, poate
putem îmbunătăți cumva modelul.
Deci, la început, vom
arăta această imagine.
Acum, modelul nu a
văzut niciodată nimic în acest moment.
Este o tablă complet goală.  Va

face doar o ghicire aleatorie.
Deci, evident, aceasta este o pisică.
Noi stim aia.
Dacă modelul a ghicit
corect, nu
ar exista nicio actualizare a modelului.
În ceea ce
privește modelul, sunt 100% precis.
De ce m-as schimba?
Ei bine, să spunem că
modelul înțelege greșit.  Să
spunem că modelul a ghicit câinele.
Apoi, în acest caz, vom
continua și vom actualiza modelul.
Deci, din nou, avem, modelul
acum știe că este o pisică.
Se va actualiza singur.
Deci, ce ar trebui să
spună modelul acum despre pisici?
Ce știe modelul -- pe baza
acestui exemplu, ce
știe modelul acum despre pisici?
VORTATOR 2: Răspunsuri
de la participanți:
VORBITTOR 1:
Căutați lucruri precum urechi ascuțite,
nas roz, ochi rotunzi?
SPEAKER 2: Simt că încă
nu sunt suficiente date
pentru a spune asta.
Cu un set de antrenament atât de mic
, tot ceea ce
știe modelul este că o pisică
arată așa.
BRANDON LESHCHINSKIY: Ah, bine.
Așa că lasă-mă să întreb...
atât de bună intuiție.
Așa că am auzit urechi ascuțite,
multicolore, întinse pe pat,
poate, labe.
În modelul nostru--
permiteți-mi să-l actualizez-- vom
spune că
aveți întotdeauna acele lucruri--
pisicile au întotdeauna acele
lucruri, sau pisicile
au uneori acele lucruri?
Pisicile au întotdeauna
urechi ascuțite și sunt pe pat
și au nasul roz,
sau este uneori?
Ce credem?
SPEAKER 1: Răspuns
de la participant:
SPEAKER 2: Uneori, cu
siguranță.
BRANDON LESHCHINSKIY: OK.
Orice pareri diferite?
Deci iată chestia.
Corey știe ce sunt pisicile.
Modelul nostru este prost.
Modelul nostru nu știe nimic
despre lume.
Nu știe nimic despre pisici.
În ceea ce
privește modelul,
așa cum
tocmai a menționat altcineva, aceasta
este singura pisică din lume.
Așa
arată fiecare pisică.
Fiecare pisică este această pisică
și această pisică este fiecare pisică.
Deci, din
perspectiva modelului, pisicile
arată întotdeauna exact ca acest lucru.
Este singurul exemplu pe care l-a
văzut vreodată de pisică.
Ce vrei?
Așa arată pisicile.
Deci modelul este
pur statistic.
Nu are idee ce
este o pisică din punct de vedere conceptual.
Spune doar, statistic
vorbind, 100% dintre pisici
arată exact ca această pisică.
Acum, îi arătăm un
al doilea exemplu de intrare.
BINE.
Acum, în acest moment,
modelul nostru se uită la această imagine.  Se
spune, ei bine, toate
pisicile pe care le-am văzut
seamănă cu acea altă
pisică, iar aceasta nu
seamănă cu acea altă pisică,
așa că acesta trebuie să fie un câine.
Nu am văzut încă un câine.
Acesta este probabil un câine.
BINE.
Se pare că modelul greșește.
Modelul trebuie actualizat.
Deci, în acest moment, ce va face
modelul nostru...
așa că spune-mi despre această pisică.
Ce va ști modelul
despre pisici după acest exemplu?
VORBATOR 1: Răspunsuri
de la participanți:
VORBITTOR 2: Arăta răutăcios.
Pisicile pot fi super pufoase
și au ochii galbeni.
VORBITOR 1: Pupila lor
pot fi mici sau mari.
BRANDON LESHCHINSKIY: Bine.
BINE.
Așa că acum, permiteți-mi să vă întreb, vom
pune
asta uneori sau întotdeauna,
aceste exemple pe care tocmai le-am primit?
SPEAKER 2: Răspuns
de la participant:
SPEAKER 1: Uneori.
BRANDON LESHCHINSKIY:
Unele dintre ele
vor fi
uneori, nu?
Deci pisicile au încă
doi ochi, mereu... până
acum.
Toate pisicile au doi ochi.
Toate pisicile au un nas care
arată cam așa.
Uneori, este un nas roz.
Uneori, este un nas negru.
Așa că acum, ne dezvoltăm puțin
modelul
și vedem, oh, acestea sunt
lucruri pe care pisicile le au întotdeauna
și acestea sunt lucruri
pe care pisicile le au uneori.
Are vreun sens?
BINE.
Toate lucrurile pe care
tocmai le-am notat
se numesc trăsături --
numărul de ochi,
forma urechilor,
dimensiunea pupilelor.
Acestea sunt toate caracteristicile.
Caracteristicile sunt cele care ne permit –
sau mai degrabă permit modelului –
să luăm o decizie.
Așa că, de exemplu,
dacă mă uit, mă plimb
,
încerc să evaluez siguranța,
care este, cred,
un lucru pe care oamenii îl
fac cam instinctual.
Sunt caracteristici pe care le
caut.  De
exemplu, persoana
care se apropie de
mine ține vreo armă?
Care este postura lor?
Cum este expresia lor facială
?
Nu mă uit la
culoarea părului lor.
De exemplu, aceasta nu este
o caracteristică relevantă
în acel exemplu special.
Deci, în acest caz,
toate lucrurile pe
care le scoatem să le
spunem... pentru a le identifica,
aceasta este o pisică sau un câine, acestea
sunt ceea ce numim caracteristici.
Acum, permiteți-mi să vă pun o
întrebare oarecum dificilă.
Când un computer vede o imagine --
să presupunem că este o
imagine de 256 x 256 pixeli --
câte caracteristici
vede un computer?
SPEAKER 1: Răspuns
de la participant:
SPEAKER 2: Este
256, pentru că
atât de câți pixeli sunt?
BRANDON LESHCHINSKIY: Deci
sunt 256 de pixeli pătrați.
Și atâtea
caracteristici există.
Computerul se uită la el.
Nu se uită la ochi.
Nu se uită la urechi.
Nu se uită la notițe.
Se uită,
există un pixel aici
și există o grămadă
mai mult în restul
imaginii.  Se
uită la
o serie de date.
Acum, ceea ce
face o rețea neuronală, și ceea ce

face o rețea neuronală convoluțională
în special, este că
imaginea este transmisă -- așa că,
oricine a întrebat despre
rețelele neuronale convoluționale,
dacă nu ai fi fost atent,
acum are o șansă bună să te acorde.
Ceea ce face o rețea neuronală -- o
rețea neuronală convoluțională --
face o imagine, spune
256 pe 256 pixeli.
Îl trece prin primul
strat al rețelei neuronale.
Începe extragerea caracteristicilor.
Cu acel prim
strat, poate că se
uită la linii,
margini sau gradiente de culoare.
Îl trece la următorul
strat din rețeaua neuronală
și combină acele
linii în forme.
Poate că acum caută
cercuri, triunghiuri
sau orice altceva.
Următoarea parte a rețelei neuronale.
Se trece din nou.
Așa că îl procesează, îl
procesează, îl face mai--
ca, face caracteristicile--
extrage automat
caracteristici la fiecare pas și
face caracteristicile din ce în ce
mai sofisticate.
Așa că acum, se uită
la nas și la ochi
și acum, în sfârșit, la
sfârșit,
se uită la o
față întreagă sau un întreg corp.
Deci asta
face o rețea neuronală convoluțională.
Dar începe, cu
perspectiva modelului,
ca caracteristici 256 pe 256.
Și ceea ce o rețea neuronală
este uneori cu adevărat,
foarte bună este să extragă
caracteristicile relevante, să
le combină
și să le proceseze
până când devin din ce în ce
mai sofisticate.
Și acum, ai
recunoaștere facială, de exemplu.
Există, de exemplu, un fel
de structură de ochi/nas/guri
pe care o caută.
Oh, aceasta este fața ta.
Știu cine este acesta.
Deci asta
face o rețea neuronală convoluțională.
Dar vreau doar să fiu clar,
din nou, modelele sunt proaste.
Ei nu privesc asta
din perspectiva,
știu ce este un nas, o
pisică sau un câine.
Ei se uită la asta
din perspectiva,
eu văd o serie de date.
Și uneori, o
rețea neuronală, un model, o
poate interpreta și
crea aceste caracteristici
care sunt mai sofisticate.
Mai spun, aceste
modele pot fi foarte fragile.
Deci, a existat o lucrare scrisă
acum câțiva ani în care
practic au păcălit
rețeaua neuronală
și, modificând doar câțiva
pixeli sau adăugând ceva zgomot, pentru oameni
încă mai arată ca
o broasca țestoasă -
încă spunem că este o țestoasă --
dar  modelul se uită la el
și spune, oh, este o armă
sau oh, acesta este un cocoș.
Și puteau schimba
orice în orice,
în ceea ce
privește modelul.
Deci, vă puteți antrena
modelul pe acele date
și puteți face
modelul mai robust pentru el.
Așa că ajungi cu acest
tip de joc advers
similar cu alte
operațiuni defensive, presupun.
Dar, în orice caz, asta e
puțin o tangentă.
Aveți întrebări până acum
despre antrenament?
Vom face un
exemplu de câine foarte repede.
BINE.
Deci următorul exemplu... chestia asta.
Deci, din nou, vom
presupune că modelul înțelege greșit.
Deci există o actualizare.
Vom
descrie acest câine.
E neagră.
Are urechile catifelate.
Are ochi căprui.
Are o
limbă roz, patru picioare.
Unde se duce asta,
mereu sau uneori?
Ce crezi?
Mereu.
Acesta este singurul câine care
există în întreaga lume.
Așa
arată fiecare câine.
Fiecare câine este acest câine.
Acum, când vedem...
oh, da, îmi pare rău,
câine, după cum știm.
Acum, când îl vedem pe acest tip,
modelul se va actualiza.
Și acum avem
acea schimbare, unde
este, OK,
mai sunt doi ochi,
așa că fiecare câine are doi ochi.
Până când vedem un câine
cu un singur ochi.
Și acum, modelul
este ca, OK, bine, se
pare că de cele mai multe
ori, câinii au doi ochi
și, uneori, au unul.
Da, model statistic.
Dar în acest moment, 100% dintre câini
arată exact ca acest câine.
Deci așa antrenăm un model.
Acum avem un model despre cum
arată, cum fac sau sunt pisicile și câinii
.
Așa că acum, mergem și
testăm modelul.
Și este foarte,
foarte critic,
când testăm
modelul, folosim date pe
care modelul
nu le-a văzut până acum.
Dacă vă dau
examenul în avans,
atunci puteți doar să memorați
întrebările și răspunsurile.
Nu mă ajută cu adevărat
să stabilesc dacă ai
învățat cu adevărat materialul.
Vreau să vă dau câteva exemple de
întrebări, exemple de răspunsuri,
iar apoi la test,
vă voi da altele.
Pentru că vreau să mă
asigur că
poți generaliza la
alte probleme,
la alte tipuri de întrebări.
Dacă doar memorezi
soluțiile,
nu îmi este de ajutor
să înțeleg
dacă ai învățat-o.
Deci, atunci când
testați modelul,
este absolut
esențial să
utilizați date pe care
modelul nu le-a văzut încă.
Acum, în acest caz,
ceea ce descoperim este că
acest lucru este negru.  Are
doi ochi.
Are urechi ascuțite.
Dar chestia este... ca
și modelul nostru nu a mai
văzut o pisică neagră până acum.  S-a
văzut totuși un câine negru.
Deci acum, modelul nostru este confuz.
Ce este?  La
ce ma refer?
Stie cineva care
este aceasta problema?
SPEAKER 1: Răspuns
de la participant:
SPEAKER 2: Condiții limită?
BRANDON LESHCHINSKIY: Nu chiar.
Aceasta este o problemă de părtinire.
Aceasta este o problemă de
părtinire a setului dvs. de date.  Nu
avem pisici negre.
Deci modelul nostru nu este grozav
la recunoașterea pisicilor negre.
Acum, vă puteți imagina,
în contexte medicale,
acest lucru devine cu adevărat
problematic, pentru că
antrenăm date despre oameni mai ales
albi și mai ales bărbați,
de exemplu.
Și asta nu ajută
la oamenii care nu sunt albi
și pentru cei care nu sunt bărbați.
Pentru că modelul va
învăța, așa cum am văzut,
statisticile... modelele sunt prostii.
Model va învăța o
grămadă de lucruri care
sunt adevărate despre oamenii albi și
bărbații, sau despre pisicile care nu sunt
negre, și apoi ni se prezintă
acest alt lucru -
acest alt tip de lucru.
Modelul nu are idee
ce să facă cu el
și doar aplică
aceleași ipoteze
la acest lucru.
Deci, care este lecția aici?
Asigurați-vă că datele dvs. de antrenament
sunt reprezentative.
Și fiți foarte intenționat
cu privire la modul în
care colectați
date de antrenament pentru a vă asigura
că reflectă cazul de utilizare.
Aceasta se întoarce la
definirea problemei.
Ce problemă
încercăm să rezolvăm?
Cine este utilizatorul nostru final?
Ce sperăm
să realizăm?
Toate aceste lucruri care trebuie să se
întâmple într-o inginerie bună.
Da, acesta este un exemplu grozav.
Deci, dacă folosim AI pentru a defini
ceea ce face un pilot bun,
AI va spune,
oh, probabil băieți albi.
Băieții albi sunt piloți buni.
Nu pot rezolva această
problemă pentru voi,
dar vă pot face conștienți
de ea, astfel încât să
puneți întrebările potrivite.
Și, desigur,
modelul va ști în cele din urmă
că aceasta este
o pisică, sperăm.
Așa că acum, pasul șapte.
Implementați modelul.
Puteți face acest lucru pe
Amazon Web Services.  Îl
puteți face
accesibil publicului.  Îl
poți pune pe un
hard disk securizat undeva.
Oricum
îl veți folosi,
asta va dicta
modul de implementare.
Deci totul decurge
din definirea problemei.  Îl
poți pune pe un cip.
Dar pentru a revizui,
trebuie să definim o problemă, să
găsim date, să curățăm datele, să alegem
un model, să antrenăm modelul, să
testăm modelul--
whoopsies-- și apoi să
implementăm modelul.
Întrebări despre acest proces?
SPEAKER 1: Întrebare
de la participant:
SPEAKER 2: Este aceasta
abordarea tipică, indiferent
de modelul utilizat?
BRANDON LESHCHINSKIY:
Cred că da.
Implicit sau explicit,
acesta este în general procesul.  Îmi pare
rău, continuă, Jennifer.
VORBATOR 2: Întrebare
de la participant:
VORBITTOR 1: Deci, dacă ați arăta
modelului un cobai,
ar încerca să-
l clasifice ca câine sau pisică,
deoarece acestea sunt
opțiunile pe care le-am prezentat?
BRANDON LESHCHINSKIY: Corect.
Deci asta e... deci este pasul patru.
Ce model folosim?
Și arhitectura modelului
te poate limita.
Există doar două ieșiri,
fie pisică, fie câine.
Nu aveți o a treia
ieșire, aveți nevoie de o a treia -
trebuie să faceți spațiu pentru asta.
SPEAKER 1: Întrebare
de la participant:
SPEAKER 2: Lucrez
la un master
și am absolvit o clasă de
analiză a datelor.
Lucram cu R
și una dintre întrebările pe care le-am
avut la sfârșitul
orei a fost,
există un
program AI sau un progres
către AI care curăța datele?
BRANDON LESHCHINSKIY:
Există...
Cred că lucrează la asta.
Există, de exemplu,
instrumente AutoML care
încearcă să
democratizeze AI, unde--
dar chiar și atunci,
presupun că
ar trebui să introduceți datele
într-un mod care să fie util
și apoi le ia de acolo.
Nu știu despre
curățarea datelor.
chiar nu stiu.
Alte întrebări
înainte de a trece
la rezumat și concluzie?
BINE.
Deci, pentru a încheia, am
acoperit o introducere
în inteligența artificială.
Am văzut, pas cu pas,
cum să antrenăm un algoritm.
Și pentru a încheia,
vreau să vă las pe
toți cu patru întrebări
și un cuvânt de precauție.
Patru întrebări pe care ar
trebui să le puneți despre orice IA pe care o
întâlniți,
indiferent dacă
încercați să o evaluați sau să o utilizați.
Patru întrebări pe care ar
trebui să le pui întotdeauna.
Numărul unu: Care este scopul?
Definirea problemei, nu?
Care este scopul?
Ce problema rezolvi?
Care sunt intrările
și ieșirile sale?  Ce face chestia
?
Acesta este numărul unu.
Numărul doi: Care sunt
datele de antrenament?  De
unde a venit?
Cum a fost pregătit?
Cum te-ai
asigurat... ai verificat
această părtinire sau acea părtinire?
Cum te-ai asigurat
că este echilibrat?
Numărul trei: Ce fel
de model ai folosit?
De ce?
Este interpretabil?  Ar
trebui sa fie?
Cum ai ales acest model?
Și numărul patru: care este
acuratețea când îl testați
pe date noi, când
îl testați pe date de testare,
nu pe datele de antrenament.
Când îi oferiți un set complet nou
de date pe care nu le-a văzut niciodată,
care este exactitatea acestuia?  Versiunea de
învățare prin întărire
a acestui lucru ar fi,
ce se întâmplă când
o testați într-o simulare diferită
sau în lumea reală?
Dar ceva... trebuie să existe
o întrebare despre
cât de bine se
descurcă de fapt atunci când i se
pune o problemă
pe care nu a avut
ocazia să o memoreze?
Deci obiectiv,
date de antrenament, model, acuratețe.
Dacă țineți cont de aceste patru
întrebări,
veți fi mai capabil să evaluați
orice sistem AI pe care îl întâlniți.
Și acum, permiteți-mi să închei
cu un cuvânt de precauție.
Dezvoltarea unui model AI
poate fi foarte dificilă,
poate fi, de asemenea, foarte valoroasă și
poate fi, de asemenea, foarte seducătoare.
Este o sarcină.
Dacă sarcina nu aparține
unei strategii în sprijinul
anumitor obiective care
măsoară o misiune care reflectă
valori, nu este
o bună utilizare a timpului,
chiar dacă este cu adevărat mișto.
Deci, când spun obiectiv, vorbesc, din
nou, atât la un nivel scăzut --
intrări și ieșiri
ale acestui model --
dar și la un nivel înalt.
Ce încercăm să facem?
Și este important
să reevaluăm constant obiectivele de
nivel scăzut
în raport
cu problema de nivel înalt.
Vrem să situăm
modelul, instruirea
și datele într-un context mai larg de
rezolvare a problemelor.
Dacă m-aș uita
la Forțele Aeriene
și aș încerca să-mi dau seama
unde ar fi AI--
sau unde să implementez
AI, aș începe aici.
Aș începe cu identificarea,
care sunt valorile?
Care este misiunea,
obiectivele, strategia, sarcinile?  Un
fel ca un copac.
Și aș identifica problemele.
Care sunt decalajele dintre
aspirațiile noastre și realitatea noastră?
Apoi m-aș gândi
critic
ce goluri ar

putea umple inteligența artificială și dacă
acele lacune vor fi
parțial sau complet umplute.
Dacă aveți date care nu sunt utilizate,
aceasta reprezintă o oportunitate.
Dacă aveți sarcini care
necesită o mulțime de oameni,
aceasta reprezintă o oportunitate.
Dacă aveți sarcini care
sunt complexe sau necesită
multă gândire
și procesare a datelor,
acestea sunt probleme
la care AI vă poate ajuta.
Dacă aveți o problemă cu
supradozele de droguri sau cu sinuciderile,
AI probabil că
nu vă va ajuta.
Și, de fapt, am auzit de
cazuri în care oamenii colectează date
și fac toate aceste
analize cantitative,
dar aceasta este în esență
o problemă umană.
Și astfel poate fi de fapt
destul de distragător.
Așadar, ideea mea este
că, în cel mai bun caz,
AI poate face Forțele Aeriene mai
eficiente, mai eficiente.
În cel mai rău caz,
ne poate distrage atenția de la
rezolvarea unor
probleme umane și culturale dificile și provocatoare.
Prin urmare, este foarte important
să discernăm
ce tip de problemă
încercați să rezolvați
și unde vă poate ajuta AI.
Dar în acest moment,
sper și cred
că aveți instrumentele pentru a
preveni acest lucru
și pentru a valorifica această
nouă tehnologie foarte puternică
pentru a sprijini construirea unei
forțe aeriene mai eficiente
și urmărirea
intereselor Americii.
Așa că vă mulțumesc mult tuturor.
Voi
rămâne cu întrebări
și vă voi lăsa cu
acest slide de concluzie.