Проблемы отличия алгоритмов машинного обучения от человеческого восприятия и логики

Прогресс последних десятилетий в области искусственного интеллекта и машинного обучения привлекает внимание к разработке систем, которые должны изучать, «воображать» и постигать мир как люди. Множество целей было достигнуто благодаря использованию глубоких нейронных сетей, хорошо разбирающихся в таких задачах, как видеоигры и распознавание объектов, достигая производительности, которая равна, а в большинстве случаев даже превосходит человеческую по многим отношениям. Несмотря на усилия разработчиков в биологической стимуляции и увеличения производительности, эти системы существенно отличаются от человеческого интеллекта. Следовательно, дальше научные силы должны сделать шаг вперёд в когнитивной науке, рекомендуя, чтобы действительно человекоподобные устройства для мышления и обучения опережали современные инженерные тенденции именно в том, как и чему они учатся. В частности, современные концепции исследований трактуют, что эти устройства должны:

1.) создавать случайные модели вселенной, которые должны поддерживать прояснение и восприятие, более охотно, чем простое решение проблем в распознавании образов;

2.) обеспечивать обучение на основе интуитивных теорий психологии и физики для поддержки и обогащения полученных знаний;

3.) контролировать композиционность в обучении, чтобы научиться быстро получать и упрощать знания для решения инновационных задач и ситуаций.

Но пока существуют две определённо сложные проблемы для искусственного интеллекта и машинного обучения, которые, в отличие от методологий решения задач инжиниринга на промышленном производстве, не позволяют роботам выстраивать алгоритмы для творческого поиска решений.

Например, распознавание и идентификация оказалась классической проблемой для сравнения различных типов алгоритмов машинного обучения. Первой типичной проблемой, связанной с методологией «творческого» машинного обучения, оказалась неспособность обнаружения и точного распознавания рукописных символов.

Проблема распознавания символов всеми теми способами, которыми пользуются люди, легко отличая и разбирая, как печатные, так и рукописные стили письма, состоит по большей части, заключает в себе основные проблемы искусственного интеллекта. Независимо от того, согласятся ли многие со справедливостью этого заявления или нет, но оно подчёркивает неожиданную сложность, лежащую в основе «простой» концепции понимания и обработки визуальной информации, такой как буквы, на человеческом уровне. Существуют, как минимум, два существенных варианта для роботов: научить их сопоставлять символы, как это делают люди обогащая свои знания на некотором количестве примеров. Далее, в процессе обучения, человек изучает более сложные изображения (разный рукописный почерк), точно сравнивая и сопоставляя символы с печатными элементами алфавита. Это позволяет изучать и другие дисциплины в более общих классах объектов, а не только для рукописных символов. То есть, у человека вырабатывается сама собой творческая привычка сравнения и сопоставления.

Кроме того, чтобы распознавать новые буквы, пользователи могут также создавать новые символы, далее разбирать символ на его составные части, а также соотносить его с какими-либо действиями/эмоциями, выражая своё настроение или мысль, используя небольшую группу относительных символов. Для простых визуальных концепций люди продолжают быть все более и более искушёнными учениками по сравнению с лучшими алгоритмами распознавания искусственного интеллекта. Люди обучаются за короткий срок гораздо интенсивнее, а поэтому учёные пока говорят, что использование этих возможностей обучения на человеческом уровне в машинах является архисложной задачей. Недавно исследователи сообщили об улучшении этой сложной проблемы с помощью вероятностной программной индукции, но аспекты полной когнитивной способности человека остаются недосягаемыми для роботов.

Второй аспект связан с так называемым «обучением с подкреплением», который заключается в проблемах ситуативного управления агентом, воздействуя не только на его действия, но и на окружение. Алгоритм, действующий в нейросетях DQN (Deep Q- learning Networks) считался важным достижением в обучении с подкреплением, показывающим, что одиночная техника может быть использована для выполнения широкого спектра сложных задач. Но пока, каких-то прорывных результатов, при широком спектре управленческих решений, роботизированной системе достигнуть не удалось.

У людей есть первоначальное понимание различных основных областей. В разработке находятся такие области, как пространство (навигация и геометрия); психология (группы и агенты); число (множество и числовые операции); и физика (механика и неодушевлённые объекты). Эти ключевые области отсекают познание от его концептуальных соединений, и каждая область планируется с помощью группы единиц и абстрактных стандартов, касающихся этих единиц. А потом, в мозгу человека вся картина «связывается» в одно единое целое, с причинно-следственными связями и прогнозированием результата. Обучить такому искусственный интеллект пока не удалось. Основные когнитивные описания могут быть признаны “интуитивными теориями” с причинно-следственной структурой, подобной научной теории. Но разработчики современности работают и над этими вопросами. Так, что не исключено, что через несколько десятилетий (а может быть гораздо раньше) мы сможем лицезреть по-настоящему «думающего» робота.