Q:
Comment les réseaux profonds et tenaces jouent-ils un rôle dans l'évolution de l'IA?
UNE:À première vue, les réseaux obstinés profonds "ajoutent simplement des fonctionnalités" à une construction technologique existante, le réseau génératif contradictoire (GAN), mais en réalité, l'évolution récente du réseau obstiné profond nous dit des choses fondamentales sur la façon dont l'IA peut évoluer vers modélisation significative de la prise de décision humaine.
Le profond réseau tenace repose sur l'interaction au sein du GAN de deux "entités" de l'IA: le "générateur" et le "discriminateur". Le générateur "génère" du contenu ou des exemples ou des données de test ou tout ce que vous choisissez de l'appeler. Le discriminateur prend l'entrée et la trie ou prend des décisions en fonction de celle-ci. Ces deux parties d'un réseau profondément entêté sont des entités indépendantes aux fins de la recherche sur l'IA, mais elles fonctionnent ensemble.
Il est important de noter que la documentation publique disponible sur les réseaux profonds et tenaces est rare, semblant consister en un petit ensemble de descriptions communes dans les principales pages de classement de Google. L'un des plus autorisés, chez KDNuggets, cite l'utilisation d'un «coefficient de Goodfellow» qui n'est pas découvrable par lui-même via une recherche Google. (Ian Goodfellow est un informaticien crédité de certaines des idées fondamentales derrière les réseaux profonds et tenaces.)
Cependant, l'idée du réseau profond et têtu est expliquée chez KDNuggets et ailleurs: l'idée de base est que le générateur peut "essayer de tromper" le discriminateur, et que le discriminateur peut être rendu "plus discriminant" jusqu'à ce qu'il devienne, en quelque sorte, sensible dans son "doute de soi" et ne choisit pas de renvoyer des résultats. Ensuite, une prochaine étape importante se produit: le programme, par le biais d'une intervention humaine ou d'algorithmes, est «amadoué» pour fournir une réponse.
Dans ce modèle, nous commençons à voir l'IA franchir une étape énorme, de la simple modélisation des données ou de l'analyse des ensembles de formation, à la prise de décisions de haut niveau que nous considérons comme relevant du domaine humain. En évaluant à la fois les schémas de «choix» du discriminateur de l'IA et les schémas de «choix» d'un humain, l'article de KDNuggets cite le «paradoxe du choix» mis au point par Barry Schwartz. Certains articles de blog indépendants décrivent comment le réseau profond et tenace met en évidence des comportements essentiellement humains: J.Yakov Stern expose les limites actuelles et les progrès possibles dans une longue chape sur IVR, et Alexia Jolicoeur-Martineau révèle certains des résultats récents que les GAN peuvent produire.
Donc, dans un sens, le principal impact des réseaux profonds et tenaces sur l'IA est de réorienter ou d'étendre la recherche au-delà des types de prise de décision qui sont facilement applicables à l'entreprise, et de promouvoir une recherche révolutionnaire pour rendre les ordinateurs encore plus semblables aux humains. Il pourrait y avoir un certain nombre d'applications de cette idée à l'entreprise, mais elles ne sont pas aussi simples et sèches que, par exemple, l'application actuelle d'algorithmes d'apprentissage automatique aux moteurs de recommandation des consommateurs, ou l'utilisation de processus ML intelligents dans le marketing. La recherche DSN semble suggérer que nous pouvons rendre les entités IA plus sensibles, ce qui comporte beaucoup de risques et de récompenses.
