Dienstag , Oktober 6 2020

Deep Learning-Updates: Maschinelles Lernen, Deep Reinforcement Learning und Einschränkungen

 Deep Learning

In den letzten Jahren haben einige erstaunliche technologische Durchbrüche auf dem Gebiet der künstlichen Intelligenz (KI) und ihres Teilfelds Deep Learning begonnen, Maschinen so zu trainieren, dass sie sich wie Menschen verhalten.

Da Maschinen zunehmend komplexer emulieren Kognitive Funktionen wie deduktives Denken, Schlussfolgerungen und fundierte Entscheidungen, Roboter, die als Menschen fungieren, sind heutzutage in vielen Branchenpraktiken Realität.

Maschinen sind jedoch immer noch im Rückstand, wenn es darum geht, die Gründe für ihre Entscheidungen oder Handlungen zu artikulieren. Mit anderen Worten, ein Maschinenzeuge kann vor Gericht immer noch nicht zur Lösung eines Falls herangezogen werden, da er frühere Handlungen nicht „rechtfertigen“ kann. Zu den bemerkenswerten Errungenschaften in KI-Anwendungen gehören die Einbeziehung neuronaler Netze und Deep Learning (DL), die einzigartige Trainingsmöglichkeiten für Maschinen kombinieren, um aus Wissensschichten zu lernen und dieses Wissen dann anzuwenden, um bestimmte Ziele zu erreichen.

Neuronale Netze und Deep Learning durchdringt die äußerst komplexen Bereiche Physik, Mathematik, Statistik, Signalverarbeitung, maschinelles Lernen, Neurowissenschaften und viele andere.

Maschinelles Lernen (ML), neuronale Netze und Deep Learning bilden zusammen eine schnell fortschreitende Kerngruppe von Technologien das größere Feld der künstlichen Intelligenz. Heutzutage sind Maschinen in der Lage, viele komplexe Probleme mit diesen Techniken sofort zu lösen, was normalerweise ein fähiges menschliches Gehirn erfordert, um über einen viel längeren Zeitraum herauszufinden.

Die menschliche Gesellschaft verlässt sich zunehmend auf intelligente Maschinen, um Entscheidungen zu treffen und den Tag zu lösen zu Tagesproblemen. Dies wurde durch das Vorhandensein neuronaler Netze und Deep Learning in KI-Anwendungen ermöglicht.

Triumph des Deep Reinforcement Learning: Deep Q-Network (DQN)

Deep Q-Network oder DQN ist DeepMinds Idee in diesem Bereich des Deep Reinforcement Learning. Das erste Papier über DQN wurde 2015 im Nature Magazine veröffentlicht. Danach traten viele renommierte Forschungseinrichtungen in dieses Fachgebiet ein. Die gesamte Forschungsgemeinschaft ist der Ansicht, dass tiefe neuronale Netze (DNN) aufgrund des Vorhandenseins von DQN-Techniken das Verstärkungslernen (RL) für die Interaktion mit HD-Bildern und anderen verbessern können. Von Google bis Facebook warten viele andere Branchenführer geduldig auf die Ergebnisse fortgeschrittener Forschung mit DQN.

Markterfolg von Evolutionsstrategien beim Reinforcement Learning

Evolutionsstrategien (ES) scheinen beim Reinforcement Learning ein Comeback erlebt zu haben. Der Grund für den offensichtlichen Erfolg sind die explorativen Algorithmen, die nicht auf Gradienten, Skalierbarkeit der Algorithmen und billigen Hardwareanforderungen beruhen – für eine schnelle Parallelverarbeitung ist keine teure GPU erforderlich.

Deep Learning Frameworks [19659003] 2020 ist sicherlich das Jahr des Deep Learning Frameworks. Obwohl sowohl Tensorflow von Google als auch PyTorch von Facebook in der NLP-Forschungsgemeinschaft (Natural Language Processing) große Anerkennung fanden, eignet sich Tensorflow besser für statische Grafiken. Andererseits ist PyTorch ideal für dynamische Strukturen. Sowohl Tensorflow als auch PyTorch haben in ihren jeweiligen Bereichen positives Benutzer-Feedback erhalten und machen größere Pläne für die Zukunft.

Verstärkungslernmittel schlägt menschliche AlphaGo-Spieler

Dieses Naturpapier erinnert an einen glorreichen Moment, in dem ein Verstärkungslernmittel die Welt schlägt beste menschliche Go-Spieler. In der ersten Version von AlphaGo wurden Trainingsdaten von menschlichen Spielern verwendet und durch die kombinierte Verwendung von Selbstspiel und Monte-Carlo-Baumsuche weiter optimiert. Danach lernte die Maschine in AlphaGo Zero, ohne menschliches Eingreifen selbstständig zu spielen. Die in dieser Version des Spiels verwendete Wissenschaft und Technologie wird in dem Artikel mit dem Titel Schnelles und langsames Denken mit tiefem Lernen und Baumsuche treffend beschrieben. Diese Spiele motivierten so viele menschliche Spieler, ihre Techniken zu perfektionieren, dass DeepMind einen AlphaGo-Unterricht veröffentlichte, um menschliche Spieler zu trainieren.

Die nächste Hürde für DeepMind

Als DeepMind den jüngsten Erfolg und die Popularität der AlphaGo-Spieleserie erlebte, begann er, über Multi-Spiele nachzudenken Spieler Pokerspiele mit RL-Techniken. DeepMind arbeitet auch an Starcraft 2 – einer RL-Forschungsumgebung.

Rolle des Deep Learning in der KI: Fehlinformationen sind möglich

Laut dem Branchenbeobachter KDNugget ist Deep Learning nicht die KI-Zukunft . Da sowohl Google als auch Facebook ihre DL-Angebote weltweit vermarktet haben, haben die Nutzer fälschlicherweise die falschen Nachrichten über die Bedeutung von DL in Anwendungen mit künstlicher Intelligenz erhalten. KDNuggets ist der Ansicht, dass die weltweite Bekanntmachung von DL-Techniken mehr Hype als Substanz ist. Zu seiner Verteidigung stellt KDNuggets weiter fest, dass Techniken wie Entscheidungsbäume, wie sie in XGBoost verwendet werden, „keine Schlagzeilen machen“, aber genauso wichtig sind wie tiefes Lernen, wenn nicht mehr.

Selbst im Fall von AlphaGo haben die Medien über DL gehyped, In Wahrheit trug die Monte-Carlo-Baumsuchmethode ebenso zum Erfolg des Spiels bei wie DL. In RL werden viele Lernaufgaben über NEAT von Neuroevolution und nicht aufgrund von Rückausbreitung erreicht, wie von den Medien behauptet.

Die größte Einschränkung des tiefen Lernens: Maschinen können keine rechtlichen Erklärungen liefern

DL hat Zwei Hauptnachteile im Moment: Der erste ist die Tendenz, vorheriges Lernen abrupt zu vergessen, und der zweite ist die Unfähigkeit, die bereitgestellten Informationen in Frage zu stellen oder zu rationalisieren. In einer anderen Welt, in der DL-Welt, glaubt die Maschine, was sie im Lernprozess speist, und sie hat nicht die Fähigkeit, das erworbene Wissen in Frage zu stellen. Der letzte Trend ist gefährlich, da die Maschine im Namen von „Binsenweisheiten“ mit Unsinn gefüttert werden kann.

Die in DL-Anträgen enthaltenen NLP-Kommentare können von einem Richter nicht akzeptiert oder als Beweismittel oder Argument in ein Gerichtsverfahren eingetragen werden. Mit anderen Worten, selbst die intelligentesten KI-Systeme können aus den gerade beschriebenen Gründen nicht für ihre Handlungen „zur Rechenschaft gezogen“ werden. In Zukunft werden viele DL-gesteuerte KI-Systeme aufgrund dieser enormen Einschränkung als illegal oder nicht beschwerdefähig eingestuft.

DL-fähige Datenerfassungssysteme erfüllen nicht die GDPR-Anforderungen.

Da die Datensicherheit in der EU von zentraler Bedeutung sein wird In der Data Science-Welt von 2021 und darüber hinaus befassen sich viele DL-fähige KI-Systeme mit den Sicherheitsbestimmungen, die von verschiedenen Aufsichtsbehörden festgelegt wurden. Ein gutes Beispiel für diese Sicherheitsverletzung ist die Allgemeine Datenschutzverordnung (DSGVO), nach der alle automatisierten Entscheidungen mit sehr detaillierten, logischen Erklärungen kommentiert werden müssen, um Diskriminierung aufgrund von Rasse, Gesundheitszustand, persönlicher Meinung usw. zu verhindern. Die DSGVO trat 2018 in Kraft. Alle in den 28 europäischen Ländern tätigen Datenerhebungsagenturen mussten lange zuvor ihre DL-fähigen Apps oder Plattformen ändern oder riskierten schwere Strafmaßnahmen.

Bildnachweis: Shutterstock.com [19659027]

About BusinessIntelligence

Check Also

Maschinelles Lernen maximiert den ROI des E-Mail-Marketings durch Listensegmentierung

E-Mail hat sich als bemerkenswert belastbares Marketingmedium erwiesen. Der ROI des E-Mail-Marketings kann bis zu …

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.