K:
Hogyan játszanak szerepet a mély makacs hálózatok az AI evolúciójában?
A:Ezzel szemben a mélyen makacs hálózatok egyszerűen "hozzáadják a funkcionalitást" egy meglévő technológiai konstrukcióhoz, a generatív egymás elleni hálózathoz (GAN), de a mélyen makacs hálózatok közelmúltbeli fejlődése alapvető dolgokat mond nekünk arról, hogy az AI hogyan fejlődik tovább. az emberi döntéshozatal jelentős modellezése.
A mélyen makacs hálózat két AI "entitás": a "generátor" és a "megkülönböztető" GAN-en belüli kölcsönhatására épül. A generátor "generál" tartalmat vagy példákat, vagy tesztadatokat, vagy bármi mást választott neki. A megkülönböztető felveszi a bemenetet, rendezi, vagy az alapján hoz döntéseket. A mélyen makacs hálózat két része független entitás az AI kutatás szempontjából, de együtt működnek.
Fontos megjegyezni, hogy a mélyen makacs hálózatokban rendelkezésre álló nyilvános irodalom kevés, úgy tűnik, hogy egy kis általános leírásból áll a Google rangsoroló oldalain. Az egyik leghatalmasabb a KDNuggetsnél egy „Goodfellow együttható” használatát idézi, amely önmagában nem fedezhető fel a Google keresésen keresztül. (Ian Goodfellow egy számítógépes tudós, akinek a mély makacs hálózatok mögött meghúzódó néhány alapvető ötlet szerepel.)
A mélyen makacs hálózat gondolatát azonban a KDNuggets és másutt elmagyarázzák: az alapötlet az, hogy a generátor "megpróbálja megcsapni" a megkülönböztetőt, és hogy a megkülönböztetőt "diszkriminatívabbá" lehessen tenni mindaddig, amíg bizonyos értelemben nem válik, érzékeny az önbizalmában, és nem úgy dönt, hogy visszatér az eredményekhez. Ezután következik egy fontos következő lépés: A programot - akár emberi beavatkozással, akár algoritmusokkal - "koaxiálisan" hozzuk létre, hogy válaszoljon.
Ebben a modellben azt látjuk, hogy az AI hatalmas lépést tesz, az adatok modellezéséből vagy az edzéskészletek elemzéséből a tényleges magas szintű döntések meghozataláig, amelyekről úgy gondoljuk, hogy az emberi területen vannak. Az AI diszkriminátor "választási" mintáinak és az ember "választási" mintáinak értékelésekor a KDNuggets darabja Barry Schwartz úttörőjeként a "Választás paradoxonját" idézi. Néhány független blogbejegyzés leírja, hogy a mélyen makacs hálózat alapvetően kiemeli az emberi viselkedést: J. Yakov Stern az IVR hosszú esztrichjével foglalkozik a jelenlegi korlátozásokkal és az esetleges haladással, Alexia Jolicoeur-Martineau pedig néhány, a GAN által elért legfrissebb eredményt mutat be.
Tehát bizonyos értelemben a mélyen makacs hálózatok elsődleges hatása az AI-re az, hogy a kutatást átirányítsák vagy kiterjesszék a vállalkozásra könnyen alkalmazható döntéshozatali fajtákra, és előmozdítsák az úttörő kutatásokat annak érdekében, hogy a számítógépek még inkább hasonlítsanak az emberekre. A gondolat tetszőleges számú alkalmazást alkalmazhat a vállalkozásban, de ezek nem annyira vágottak és szárultak, mint például a gépi tanulási algoritmusok jelenlegi alkalmazása a fogyasztói ajánlásmotorokban vagy az intelligens ML folyamatok használata a marketingben. A DSN kutatásai azt sugallják, hogy az AI entitásokat érzékenyebbé tehetjük, ami nagy kockázatot és haszonnal jár.
