En Marzo, Yoshua Bengio recibido una parte de el Premio Turing, el máximo galardón en ciencias de la computación, por sus contribuciones al desarrollo de un profundo aprendizaje de la técnica que provocó un renacimiento de la inteligencia artificial, que conduce a los avances en la auto-conducción de coches, en tiempo real de traducción de voz y reconocimiento facial.
Ahora, Bengio dice aprendizaje profundo que necesita ser arreglado. Él cree que no se dan cuenta de su potencial, y no ofrecen una verdadera IA revolución, hasta que pueda ir más allá del reconocimiento de patrones y aprender más acerca de la causa y el efecto. En otras palabras, él dice, en lo profundo de las necesidades de aprendizaje para empezar a preguntar ¿por qué que las cosas sucedan.
Los 55 años de edad, profesor en la Universidad de Montreal, que los deportes de espeso pelo gris y las cejas, dice aprendizaje profundo funciona bien en idealizada de las situaciones, pero no se acercan a replicar la inteligencia humana, sin ser capaz de razonar acerca de las relaciones causales. “Es una gran cosa para integrar [causalidad] en AI,” Bengio, dice. “Los actuales enfoques de aprendizaje de máquina asumir que la formación de los AI sistema será aplicado sobre el mismo tipo de datos como los datos de entrenamiento. En la vida real a menudo no es el caso.”
la Máquina de los sistemas de aprendizaje, incluyendo el aprendizaje profundo son altamente específicos, capacitado para una tarea en particular, como el reconocimiento de los gatos en las imágenes, o los comandos de voz en el audio. Desde la ruptura en la escena alrededor de 2012, el aprendizaje profundo se ha demostrado una impresionante capacidad para reconocer patrones en los datos; se ha puesto a muchos usos prácticos, a partir de manchas de signos de cáncer en los escáneres médicos para descubrir el fraude en la información financiera.
Pero en lo profundo de aprendizaje es fundamentalmente ciegos a la causa y el efecto. A diferencia de un verdadero médico, un profundo algoritmo de aprendizaje no puede explicar por qué una determinada imagen puede sugerir enfermedad. Esto significa que el aprendizaje profundo debe ser utilizado con precaución en situaciones críticas.
la Comprensión de la causa y el efecto haría existente AI sistemas más inteligentes y más eficientes. Un robot, que entiende que el abandono de las cosas hace que se rompan no sería necesario tirar decenas de jarrones en el suelo para ver lo que sucede a ellos.
Bengio dice que la analogía se extiende a la auto conducción de coches. “Los seres humanos no necesitan para vivir a través de muchos ejemplos de accidentes para conducir con prudencia,” él dice. Que sólo puede imaginar de accidentes”, con el fin de prepararse mentalmente si realmente sucederá.”
La pregunta es ¿cómo dotar de un sistema de IA esta habilidad.
En su laboratorio de investigación, Bengio está trabajando en una versión de aprendizaje profundo capaz de reconocer a simple causa-y-efecto. Él y sus colegas han publicado un trabajo de investigación, delineando el enfoque. Se utilizó un conjunto de datos que los mapas de las relaciones causales entre los fenómenos del mundo real, tales como el fumar y el cáncer de pulmón, en términos de probabilidades. También conjuntos de datos sintéticos generados de las relaciones causales.
El algoritmo en el papel que en esencia constituye una hipótesis acerca de las variables que están causalmente relacionados, y, a continuación, las pruebas de cómo los cambios en diferentes variables de ajuste de la teoría. El hecho de que el tabaco no sólo está relacionado con el cáncer, pero en realidad hace que, por ejemplo, todavía debe ser evidente, incluso si el cáncer está relacionada con otros factores, tales como las visitas al hospital.
Un robot, eventualmente, podría usar este método para formar una hipótesis sobre lo que pasa cuando se cae algo, y, a continuación, confirme su corazonada cuando se ve a varias cosas romper en el suelo.
Bengio ya ha transformado AI una vez. Durante las últimas décadas, que él ayudó a desarrollar las ideas y las técnicas de ingeniería que desata el potencial de aprendizaje profundo, junto con el de este año otro Premio Turing destinatarios: Geoffrey Hinton, de la Universidad de Toronto y de Google, y Yann LeCun, que trabaja en la NYU y Facebook.
el aprendizaje Profundo se utiliza redes neuronales artificiales matemáticamente aproximada de la forma humana de las neuronas y las sinapsis aprender mediante la formación y el fortalecimiento de las conexiones. Los datos de entrenamiento, tales como imágenes o archivos de audio, son alimentados a una red neuronal, que poco a poco se ajusta hasta que se responde en la forma correcta. Un profundo programa de aprendizaje pueden ser entrenados para reconocer objetos en las fotografías con gran precisión, siempre que ve un montón de imágenes de entrenamiento y se le da un montón de poder de cómputo.
This content was originally published here.