ማሽኑ የሚማርበት አረፋ ፈነዳ ወይንስ የንጋት መጀመሪያ ነው?

በቅርቡ የተለቀቀው ጽሑፍበቅርብ ዓመታት ውስጥ በማሽን ትምህርት ውስጥ ጥሩ አዝማሚያ ያሳያል. ባጭሩ፡- ባለፉት ሁለት ዓመታት የማሽን መማሪያ ጅማሪዎች ቁጥር አሽቆልቁሏል።

እንግዲህ። እስቲ "አረፋው ፈነዳ እንደሆነ", "እንዴት መኖር እንደሚቻል" እንይ እና ይህ ስኩዊግ በመጀመሪያ ከየት እንደመጣ እንነጋገር.

በመጀመሪያ፣ የዚህ ኩርባ አበረታች ምን እንደሆነ እንነጋገር። ከየት ነው የመጣችው? ምናልባት ሁሉንም ነገር ያስታውሳሉ ድል የማሽን ትምህርት በ 2012 በ ImageNet ውድድር. ከሁሉም በላይ ይህ የመጀመሪያው ዓለም አቀፍ ክስተት ነው! እንደ እውነቱ ከሆነ ግን ይህ አይደለም. እና የኩርባው እድገት ትንሽ ቀደም ብሎ ይጀምራል. ወደ ብዙ ነጥቦች እከፍለው ነበር።

1. 2008 "ትልቅ ውሂብ" የሚለው ቃል ብቅ አለ. እውነተኛ ምርቶች ተጀምረዋል ብቅ ከ2010 ዓ.ም. ትልቅ መረጃ ከማሽን መማር ጋር በቀጥታ የተያያዘ ነው። ትልቅ መረጃ ከሌለ በዚያን ጊዜ የነበሩት አልጎሪዝም የተረጋጋ አሠራር የማይቻል ነው. እና እነዚህ የነርቭ አውታረ መረቦች አይደሉም. እ.ኤ.አ. እስከ 2012 ድረስ የነርቭ ኔትወርኮች የጥቂቶች ጥቂቶች ተጠብቀው ነበሩ። ግን ከዚያ ለዓመታት አልፎ ተርፎም ለአስርተ ዓመታት የነበሩት ሙሉ በሙሉ የተለያዩ ስልተ ቀመሮች መሥራት ጀመሩ- ኤስ.ቪ.ኤም.(1963,1993, XNUMX), የዘፈቀደ ጫካ (1995), AdaBoost (2003)፣... የእነዚያ ዓመታት ጅምሮች በዋናነት የተዋቀሩ መረጃዎችን በራስ ሰር ከማቀናበር ጋር የተቆራኙ ናቸው፡ የገንዘብ መዝገቦች፣ ተጠቃሚዎች፣ ማስታወቂያ፣ ብዙ ተጨማሪ።

   የዚህ የመጀመሪያ ሞገድ ተወላጅ እንደ XGBoost፣ CatBoost፣ LightGBM፣ ወዘተ ያሉ የማዕቀፎች ስብስብ ነው።

2. በ2011-2012 ዓ.ም ተለዋዋጭ የነርቭ አውታረ መረቦች በርካታ የምስል ማወቂያ ውድድሮችን አሸንፏል። ትክክለኛው አጠቃቀማቸው በተወሰነ መልኩ ዘግይቷል። በ 2014 ትልቅ ትርጉም ያለው ጅምር እና መፍትሄዎች መታየት ጀመሩ እላለሁ ። ነርቭ ሴሎች አሁንም የሚሰሩትን ለማዋሃድ፣ በተመጣጣኝ ጊዜ ሊጫኑ እና ሊጀመሩ የሚችሉ ምቹ ማዕቀፎችን ለመፍጠር፣ የማረጋጋት እና የመሰብሰቢያ ጊዜን የሚያፋጥኑ ዘዴዎችን ለማዘጋጀት ሁለት አመት ፈጅቷል።

   ኮንቮሉሽናል ኔትወርኮች የኮምፒዩተር እይታ ችግሮችን ለመፍታት አስችለዋል፡ በምስሉ ውስጥ ያሉ ምስሎችን እና ዕቃዎችን መመደብ፣ የነገሮችን ፈልጎ ማግኘት፣ የነገሮችን እና የሰዎችን እውቅና፣ የምስል ማሻሻል ወዘተ ወዘተ.

3. 2015-2017. በተደጋጋሚ አውታረ መረቦች ወይም በአናሎግዎቻቸው (LSTM፣ GRU፣ TransformerNet፣ ወዘተ) ላይ የተመሰረቱ የአልጎሪዝም እና የፕሮጀክቶች እድገት። በደንብ የሚሰሩ የንግግር-ወደ-ጽሑፍ ስልተ ቀመሮች እና የማሽን የትርጉም ስርዓቶች ታይተዋል። መሰረታዊ ባህሪያትን ለማውጣት በከፊል በኮንቮሉሽን ኔትወርኮች ላይ የተመሰረቱ ናቸው. በከፊል በጣም ትልቅ እና ጥሩ የውሂብ ስብስቦችን መሰብሰብ ስለተማርን ነው።

"አረፋው ፈነዳ? ጩኸቱ ከመጠን በላይ ተሞቅቷል? እንደ ብሎክቼይን ነው የሞቱት?
አለበለዚያ! ነገ Siri በስልክዎ ላይ መስራቱን ያቆማል፣ እና ከነገ ወዲያ ቴስላ በመጠምዘዝ እና በካንጋሮ መካከል ያለውን ልዩነት አያውቅም።

የነርቭ አውታረ መረቦች ቀድሞውኑ እየሰሩ ናቸው። በደርዘን የሚቆጠሩ መሳሪያዎች ናቸው። እነሱ በእርግጥ ገንዘብ እንዲያገኙ, ገበያውን እና በዙሪያዎ ያለውን ዓለም እንዲቀይሩ ያስችሉዎታል. ሃይፕ ትንሽ የተለየ ይመስላል፡-

የነርቭ አውታረ መረቦች አዲስ ነገር አለመሆኑ ብቻ ነው። አዎን, ብዙ ሰዎች ከፍተኛ ተስፋ አላቸው. ነገር ግን ብዙ ቁጥር ያላቸው ኩባንያዎች የነርቭ ሴሎችን መጠቀም እና በእነሱ ላይ ተመስርተው ምርቶችን መስራት ተምረዋል. ነርቮች አዲስ ተግባራትን ይሰጣሉ፣ ስራዎችን እንዲቀንሱ እና የአገልግሎቶችን ዋጋ እንዲቀንሱ ያስችሉዎታል፡

• የማምረቻ ኩባንያዎች በአምራች መስመሩ ላይ ጉድለቶችን ለመተንተን ስልተ ቀመሮችን በማዋሃድ ላይ ናቸው.
• የእንስሳት እርባታ ላሞችን ለመቆጣጠር ስርዓቶችን ይገዛሉ.
• አውቶማቲክ ጥምረት።
• አውቶማቲክ የጥሪ ማዕከሎች።
• በ SnapChat ውስጥ ማጣሪያዎች። (ደህና ፣ ቢያንስ አንድ ጠቃሚ ነገር!)

ግን ዋናው ነገር ፣ እና በጣም ግልፅ አይደለም-“ከእንግዲህ አዲስ ሀሳቦች የሉም ፣ ወይም ፈጣን ካፒታል አያመጡም ። የነርቭ አውታረ መረቦች በደርዘን የሚቆጠሩ ችግሮችን ፈትተዋል. እና የበለጠ ይወስናሉ. ሁሉም ግልጽ የሆኑ ሀሳቦች ለብዙ ጅምሮች ፈጥረዋል። ነገር ግን በላዩ ላይ ያለው ነገር ሁሉ ቀድሞውኑ ተሰብስቦ ነበር. ላለፉት ሁለት ዓመታት የነርቭ ኔትወርክ አጠቃቀምን በተመለከተ አንድም አዲስ ሀሳብ አላጋጠመኝም። አንድ አዲስ አቀራረብ አይደለም (እሺ፣ እሺ፣ በ GANs ላይ ጥቂት ችግሮች አሉ)።

እና እያንዳንዱ ተከታይ ጅምር የበለጠ እና የበለጠ የተወሳሰበ ነው። ክፍት መረጃን በመጠቀም የነርቭ ሴል የሚያሠለጥኑ ሁለት ወንዶች አያስፈልግም። ፕሮግራመሮች፣ አገልጋይ፣ የጠቋሚዎች ቡድን፣ ውስብስብ ድጋፍ፣ ወዘተ ያስፈልገዋል።

በውጤቱም, ጅምሮች ጥቂት ናቸው. ግን ተጨማሪ ምርት አለ. የሰሌዳ መታወቂያ ማከል ይፈልጋሉ? በገበያ ላይ ተዛማጅ ልምድ ያላቸው በመቶዎች የሚቆጠሩ ልዩ ባለሙያዎች አሉ. አንድ ሰው መቅጠር ይችላሉ እና በሁለት ወራት ውስጥ ሰራተኛዎ ስርዓቱን ይሠራል. ወይም ተዘጋጅቶ ይግዙ። ግን አዲስ ጀማሪ መስራት?... እብድ!

የጎብኝዎች መከታተያ ስርዓት መፍጠር አለቦት - ከ3-4 ወራት ውስጥ የእራስዎን መስራት ሲችሉ ለብዙ ፍቃዶች ለምን ይከፍላሉ ፣ ለንግድዎ ይሳሉት።

አሁን የነርቭ ኔትወርኮች በደርዘን የሚቆጠሩ ሌሎች ቴክኖሎጂዎች ያለፉበት መንገድ እያለፉ ነው።

ከ 1995 ጀምሮ "የድር ጣቢያ ገንቢ" ጽንሰ-ሐሳብ እንዴት እንደተለወጠ ያስታውሳሉ? ገበያው እስካሁን በልዩ ባለሙያዎች አልሞላም። በጣም ጥቂት ባለሙያዎች አሉ. ነገር ግን ከ5-10 ዓመታት ውስጥ በጃቫ ፕሮግራመር እና በነርቭ ኔትወርክ ገንቢ መካከል ብዙ ልዩነት እንደማይኖር ለውርርድ እችላለሁ። በገበያ ላይ ሁለቱም ስፔሻሊስቶች በቂ ይሆናሉ.

በቀላሉ በነርቭ ሴሎች ሊፈቱ የሚችሉ የችግሮች ክፍል ይኖራል. አንድ ተግባር ተፈጥሯል - ልዩ ባለሙያ መቅጠር.

" ቀጥሎ ምን አለ? ቃል የተገባው አርቴፊሻል ኢንተለጀንስ የት አለ?”

ግን እዚህ ትንሽ ግን አስደሳች አለመግባባት አለ :)

ዛሬ ያለው የቴክኖሎጂ ቁልል፣ ይመስላል፣ ወደ አርቴፊሻል ኢንተለጀንስ ሊመራን አይችልም። ሀሳቦች እና አዲስነታቸው እራሳቸውን አብዝተዋል። አሁን ያለውን የእድገት ደረጃ ምን እንደሚይዝ እንነጋገር።

ገደቦች

በራስ በሚሽከረከሩ መኪኖች እንጀምር። ዛሬ ባለው ቴክኖሎጂ ሙሉ በሙሉ ራስ ወዳድ መኪናዎችን መሥራት እንደሚቻል ግልጽ ይመስላል. ነገር ግን ይህ በምን ያህል አመታት ውስጥ እንደሚሆን ግልጽ አይደለም. ቴስላ ይህ በሁለት ዓመታት ውስጥ እንደሚሆን ያምናል -

ሌሎች ብዙ አሉ። ስፔሻሊስቶችከ5-10 አመት የሚገመተው።

ምናልባትም ፣ በእኔ አስተያየት ፣ በ 15 ዓመታት ውስጥ ፣ የከተሞች መሠረተ ልማት እራሱ በሚቀየርበት መንገድ በራስ ገዝ መኪኖች መፈጠር የማይቀር እና ቀጣይነት ያለው ይሆናል ። ግን ይህ እንደ ብልህነት ተደርጎ ሊወሰድ አይችልም። ዘመናዊ ቴስላ ለመረጃ ማጣሪያ, ፍለጋ እና መልሶ ማሰልጠኛ በጣም የተወሳሰበ የቧንቧ መስመር ነው. እነዚህ ደንቦች-ህጎች-ህጎች፣ የውሂብ መሰብሰብ እና ማጣሪያዎች በላያቸው ላይ ናቸው (እዚህ እዚህ ስለዚህ ጉዳይ ትንሽ ተጨማሪ ጻፍኩ ወይም ይመልከቱ ይሄ ምልክቶች)።

የመጀመሪያው ችግር

እና እዚህ የምናየው ነው የመጀመሪያው መሠረታዊ ችግር. ትልቅ ውሂብ. የአሁኑን የነርቭ ኔትወርኮች እና የማሽን ትምህርት ሞገድ የወለደው ይህ ነው። በአሁኑ ጊዜ, ውስብስብ እና አውቶማቲክ የሆነ ነገር ለመስራት, ብዙ ውሂብ ያስፈልግዎታል. ብዙ ብቻ ሳይሆን እጅግ በጣም ብዙ። ለክምችታቸው፣ ምልክት ማድረጊያቸው እና አጠቃቀማቸው አውቶማቲክ ስልተ ቀመሮች ያስፈልጉናል። መኪናው ወደ ፀሀይ የሚመለከቱትን የጭነት መኪናዎች እንዲያይ ማድረግ እንፈልጋለን - በመጀመሪያ በቂ ቁጥር መሰብሰብ አለብን. መኪናው በብስክሌት ከግንዱ ጋር ተጣብቆ እንዳያብድ እንፈልጋለን - ተጨማሪ ናሙናዎች።

ከዚህም በላይ አንድ ምሳሌ በቂ አይደለም. በመቶዎች የሚቆጠሩ? በሺዎች የሚቆጠሩ?

ሁለተኛ ችግር

ሁለተኛ ችግር - የነርቭ አውታረ መረባችን የተረዳውን በእይታ። ይህ በጣም ቀላል ያልሆነ ተግባር ነው። እስካሁን ድረስ ይህንን እንዴት በዓይነ ሕሊና ማየት እንደሚችሉ ጥቂት ሰዎች ይገነዘባሉ። እነዚህ መጣጥፎች በጣም የቅርብ ጊዜ ናቸው፣ እነዚህ ጥቂት ምሳሌዎች ናቸው፣ ምንም እንኳን ሩቅ ቢሆንም፡-
ምስላዊ ሸካራማነቶች ጋር አባዜ. ይህ የነርቭ ሴል እንደ መጀመሪያ መረጃ የሚገነዘበውን + ለማስተካከል ምን እንደሚፈልግ ያሳያል።

ምስላዊ ትኩረት በ ትርጉሞች. በእውነቱ ፣ መስህብ ብዙውን ጊዜ እንዲህ ዓይነቱን የአውታረ መረብ ምላሽ ምን እንደ ሆነ ለማሳየት በትክክል ጥቅም ላይ ሊውል ይችላል። ለሁለቱም ለማረም እና ለምርት መፍትሄዎች እንደዚህ ያሉ ነገሮችን አይቻለሁ። በዚህ ርዕስ ላይ ብዙ መጣጥፎች አሉ. ነገር ግን መረጃው ይበልጥ በተወሳሰበ ቁጥር ጠንካራ እይታን እንዴት ማግኘት እንደሚቻል ለመረዳት በጣም አስቸጋሪ ነው።

ደህና፣ አዎ፣ የድሮው ጥሩ ስብስብ “በፍርግርግ ውስጥ ያለውን ነገር ተመልከት ማጣሪያዎች" እነዚህ ሥዕሎች ከ 3-4 ዓመታት በፊት ታዋቂዎች ነበሩ, ነገር ግን ሁሉም ሰው ስዕሎቹ ውብ መሆናቸውን በፍጥነት ተገነዘቡ, ግን ብዙ ትርጉም አልነበራቸውም.

በደርዘን የሚቆጠሩ ሌሎች መግብሮችን ፣ ዘዴዎችን ፣ ጠለፋዎችን ፣ የአውታረ መረብን ውስጣዊ ገጽታዎች እንዴት እንደሚያሳዩ ምርምርን አልገለጽኩም። እነዚህ መሳሪያዎች ይሰራሉ? ችግሩ ምን እንደሆነ በፍጥነት እንዲረዱዎት እና አውታረ መረቡን እንዲያርሙ ያግዙዎታል?... የመጨረሻውን መቶኛ ያግኙ? ደህና፣ ስለዚያው ነው፡-

በ Kaggle ላይ ማንኛውንም ውድድር ማየት ይችላሉ። እና ሰዎች የመጨረሻ ውሳኔዎችን እንዴት እንደሚወስኑ መግለጫ. ከ100-500-800 ሞዴሎችን ደርበናል እና ሰርቷል!

በእርግጥ እያጋነንኩ ነው። ግን እነዚህ አካሄዶች ፈጣን እና ቀጥተኛ መልስ አይሰጡም።

በቂ ልምድ ካለህ፣ የተለያዩ አማራጮችን በማንሳት፣ ስርዓትህ ለምን እንዲህ አይነት ውሳኔ እንዳደረገ ብይን መስጠት ትችላለህ። ነገር ግን የስርዓቱን ባህሪ ለማረም አስቸጋሪ ይሆናል. ክራንች ይጫኑ፣ ጣራውን ያንቀሳቅሱ፣ የውሂብ ስብስብ ያክሉ፣ ሌላ የኋላ አውታረ መረብ ይውሰዱ።

ሦስተኛው ችግር

ሦስተኛው መሠረታዊ ችግር — ፍርግርግ የሚያስተምሩት ስታቲስቲክስ እንጂ አመክንዮ አይደለም። በስታቲስቲክስ ይህ ፊት:

በምክንያታዊነት, በጣም ተመሳሳይ አይደለም. የነርቭ ኔትወርኮች ካልተገደዱ በስተቀር ምንም ውስብስብ ነገር አይማሩም። በጣም ቀላል የሆኑትን ምልክቶች ሁልጊዜ ያስተምራሉ. ዓይን፣ አፍንጫ፣ ጭንቅላት አለህ? ስለዚህ ይህ ፊት ነው! ወይም ዓይን ማለት ፊት የማይሆንበትን ምሳሌ ስጥ። እና እንደገና - በሚሊዮኖች የሚቆጠሩ ምሳሌዎች.

በታችኛው ክፍል ብዙ ክፍል አለ።

በአሁኑ ጊዜ የነርቭ መረቦችን እና የማሽን መማሪያን እድገት የሚገድቡት እነዚህ ሶስት ዓለም አቀፍ ችግሮች ናቸው እላለሁ. እና እነዚህ ችግሮች ባልገደቡበት ቦታ, ቀድሞውኑ በንቃት ጥቅም ላይ ይውላል.

መጨረሻው ይህ ነው? የነርቭ አውታረ መረቦች ተከፍተዋል?

ያልታወቀ። ግን በእርግጥ ሁሉም ሰው ተስፋ አይኖረውም.

ከላይ የገለጽኳቸውን መሰረታዊ ችግሮችን ለመፍታት ብዙ መንገዶች እና አቅጣጫዎች አሉ። ግን እስካሁን ድረስ ከእነዚህ አቀራረቦች ውስጥ አንዳቸውም ቢሆኑ መሠረታዊ የሆነ አዲስ ነገር ለማድረግ፣ ገና ያልተፈታ ነገርን ለመፍታት አላደረጉም። እስካሁን ድረስ ሁሉም መሰረታዊ ፕሮጀክቶች በተረጋጋ አቀራረቦች (ቴስላ) ወይም በተቋማት ወይም በኮርፖሬሽኖች (Google Brain, OpenAI) የሙከራ ፕሮጄክቶች ይቆያሉ.

በግምት፣ ዋናው አቅጣጫ የግቤት ውሂቡን አንዳንድ የከፍተኛ ደረጃ ውክልና መፍጠር ነው። በተወሰነ መልኩ "ትውስታ" ማለት ነው. በጣም ቀላሉ የማስታወስ ምሳሌ የተለያዩ "መክተት" - የምስል ምስሎች. ደህና, ለምሳሌ, ሁሉም የፊት መታወቂያ ስርዓቶች. አውታረ መረቡ በማሽከርከር፣ በማብራት እና በመፍታት ላይ ያልተመሠረተ የተረጋጋ ውክልና ከፊት ማግኘትን ይማራል። በመሰረቱ፣ አውታረ መረቡ "የተለያዩ ፊቶች ሩቅ ናቸው" እና "ተመሳሳይ ፊቶች ቅርብ ናቸው" የሚለውን መለኪያ ይቀንሳል።

ለእንደዚህ አይነት ስልጠና በአስር እና በመቶ ሺዎች የሚቆጠሩ ምሳሌዎች ያስፈልጋሉ. ነገር ግን ውጤቱ አንዳንድ የ "አንድ-ሾት ትምህርት" አንዳንድ መሠረታዊ ነገሮችን ይሸከማል. አሁን አንድን ሰው ለማስታወስ በመቶዎች የሚቆጠሩ ፊቶች አያስፈልጉንም. አንድ ፊት ብቻ እና ያ ብቻ ነው። የሚለውን እንወቅ!
አንድ ችግር ብቻ ነው... ፍርግርግ መማር የሚችለው ቀላል የሆኑ ነገሮችን ብቻ ነው። ፊቶችን ሳይሆን ለምሳሌ "ሰዎችን በልብስ" ለመለየት በሚሞከርበት ጊዜ (ተግባር እንደገና መታወቂያ) - ጥራት በብዙ ትዕዛዞች ይወድቃል። እና አውታረ መረቡ ከአሁን በኋላ ግልጽ የሆኑ ግልጽ ለውጦችን በአንግሎች መማር አይችልም።

እና በሚሊዮኖች ከሚቆጠሩ ምሳሌዎች መማር እንዲሁ አስደሳች ነው።

ምርጫን በከፍተኛ ሁኔታ የመቀነስ ስራ አለ። ለምሳሌ, አንድ ሰው ከመጀመሪያዎቹ ስራዎች ውስጥ አንዱን ወዲያውኑ ማስታወስ ይችላል OneShot ትምህርት ከ Google:

ለምሳሌ ብዙ እንዲህ ያሉ ሥራዎች አሉ። 1 ወይም 2 ወይም 3.

አንድ ሲቀነስ አለ - ብዙውን ጊዜ ስልጠና በአንዳንድ ቀላል፣ “MNIST” ምሳሌዎች ላይ በደንብ ይሰራል። እና ወደ ውስብስብ ስራዎች ሲሄዱ, ትልቅ የውሂብ ጎታ, የነገሮች ሞዴል ወይም አንድ ዓይነት አስማት ያስፈልግዎታል.
በአጠቃላይ በOne-Shot ስልጠና ላይ መስራት በጣም አስደሳች ርዕስ ነው። ብዙ ሀሳቦችን ያገኛሉ። ነገር ግን በአብዛኛው፣ የዘረዘርኳቸው ሁለቱ ችግሮች (በትልቅ የመረጃ ቋት ላይ ቅድመ ስልጠና መስጠት/ውስብስብ መረጃዎች ላይ አለመረጋጋት) በመማር ላይ በእጅጉ ያደናቅፋሉ።

በሌላ በኩል፣ GANs-አመንጭ የተቃዋሚ አውታረ መረቦች - ወደ መክተት ርዕስ ቀርበዋል። በዚህ ርዕስ ላይ ስለ Habré ብዙ መጣጥፎችን አንብበህ ይሆናል። (1, 2,3)
የ GAN ባህሪ አንዳንድ የውስጥ ግዛት ቦታ (በተለይ አንድ አይነት ኢምብዲንግ) መፈጠር ሲሆን ይህም ምስልን ለመሳል ያስችልዎታል. ሊሆን ይችላል лица, መሆን ይቻላል ድርጊት.

የ GAN ችግር የተፈጠረውን ነገር ይበልጥ ውስብስብ በሆነ መጠን በ "ጄነሬተር-አድሎአዊ" አመክንዮ ውስጥ ለመግለጽ በጣም አስቸጋሪ ነው. በውጤቱም ፣ የሚሰሙት የ GAN እውነተኛ አፕሊኬሽኖች DeepFake ብቻ ናቸው ፣ እሱም እንደገና ፣ የፊት ገጽታዎችን ያስተካክላል (ለዚህም ትልቅ መሠረት ያለው)።

ሌሎች በጣም ጥቂት ጠቃሚ አጠቃቀሞችን አይቻለሁ። ብዙውን ጊዜ የስዕሎችን ሥዕሎች ማጠናቀቅን የሚያካትት አንድ ዓይነት ማታለያ።

እና እንደገና። ይህ እንዴት ወደ ብሩህ የወደፊት ሕይወት እንድንሸጋገር እንደሚያስችለን ማንም አያውቅም። በነርቭ አውታር ውስጥ አመክንዮ/ቦታን መወከል ጥሩ ነው። ነገር ግን እጅግ በጣም ብዙ ምሳሌዎችን እንፈልጋለን, የነርቭ ሴል እራሱን እንዴት እንደሚወክል አንረዳም, የነርቭ ሴል አንዳንድ ውስብስብ ሀሳቦችን እንዲያስታውስ እንዴት ማድረግ እንዳለብን አንረዳም.

የማጠናከሪያ ትምህርት - ይህ ፍጹም ከተለየ አቅጣጫ የመጣ አቀራረብ ነው። በርግጠኝነት Google በGo ውስጥ ያሉትን ሁሉ እንዴት እንዳሸነፈ ያስታውሳሉ። በ Starcraft እና Dota የቅርብ ጊዜ ድሎች። ግን እዚህ ሁሉም ነገር በጣም ጥሩ እና ተስፋ ሰጭ ነው ። እሱ ስለ RL እና ስለ ውስብስብ ነገሮች በተሻለ ሁኔታ ይናገራል ይህ ዓምድ.

ደራሲው የፃፉትን ባጭሩ ለማጠቃለል፡-

• ከሳጥኑ ውጭ ያሉ ሞዴሎች በአብዛኛዎቹ ጉዳዮች ላይ አይመጥኑም / በደንብ አይሰሩም
• ተግባራዊ ችግሮች በሌሎች መንገዶች ለመፍታት ቀላል ናቸው። የቦስተን ዳይናሚክስ ውስብስብነት/ያልተጠበቀ/የማስላት ውስብስብነት ምክንያት RL አይጠቀምም።
• RL እንዲሰራ, ውስብስብ ተግባር ያስፈልግዎታል. ለመፍጠር/ለመጻፍ ብዙ ጊዜ አስቸጋሪ ነው።
• ሞዴሎችን ለማሰልጠን አስቸጋሪ. ለማንሳት እና ከአካባቢው ኦፕቲማ ለመውጣት ብዙ ጊዜ ማሳለፍ አለቦት
• በውጤቱም, ሞዴሉን ለመድገም አስቸጋሪ ነው, ሞዴሉ በትንሹ ለውጦች ያልተረጋጋ ነው
• ብዙ ጊዜ አንዳንድ የዘፈቀደ ቅጦችን፣ የዘፈቀደ ቁጥር ጀነሬተርን እንኳን ይበልጠዋል

ዋናው ነጥብ RL በምርት ውስጥ እስካሁን አይሰራም. ጉግል አንዳንድ ሙከራዎች አሉት ( 1, 2 ). ግን አንድም የምርት ስርዓት አላየሁም።

አእምሮ. ከላይ የተገለጹት ነገሮች ሁሉ ጉዳቱ የመዋቅር እጥረት ነው። ይህንን ሁሉ ለማፅዳት ከሚሞክሩት ዘዴዎች አንዱ የነርቭ አውታረመረብ የተለየ ማህደረ ትውስታን ተደራሽ ማድረግ ነው። የእርምጃዎቿን ውጤቶች እዚያ መመዝገብ እና እንደገና መፃፍ እንድትችል. ከዚያም የነርቭ አውታር አሁን ባለው የማስታወስ ሁኔታ ሊታወቅ ይችላል. ይህ ከጥንታዊ ፕሮሰሰሮች እና ኮምፒተሮች ጋር በጣም ተመሳሳይ ነው።

በጣም ታዋቂ እና ታዋቂ ጽሑፍ - ከ DeepMind:

የማሰብ ችሎታን ለመረዳት ቁልፉ ይህ ይመስላል? ግን ምናልባት አይደለም. ስርዓቱ አሁንም ለስልጠና ከፍተኛ መጠን ያለው መረጃ ይፈልጋል። እና በዋናነት በተዋቀረው የሰንጠረዥ መረጃ ይሰራል። ከዚህም በላይ, Facebook ጊዜ ወስኗል ተመሳሳይ ችግር ፣ ከዚያ መንገዱን ያዙ “የማስታወስ ችሎታን ያሽከረክራል ፣ ነርቭን የበለጠ የተወሳሰበ ያድርጉት እና ብዙ ምሳሌዎችን ያዙ - እና እሱ በራሱ ይማራል።

መለያየት. ትርጉም ያለው ማህደረ ትውስታን ለመፍጠር ሌላኛው መንገድ ተመሳሳይ መክተቻዎችን መውሰድ ነው, ነገር ግን በስልጠና ወቅት, በውስጣቸው "ትርጉሞችን" ለማጉላት የሚያስችሉ ተጨማሪ መስፈርቶችን ያስተዋውቁ. ለምሳሌ, በሱቅ ውስጥ በሰዎች ባህሪ መካከል ያለውን ልዩነት ለመለየት የነርቭ ኔትወርክን ማሰልጠን እንፈልጋለን. መደበኛውን መንገድ ከተከተልን, ደርዘን ኔትወርኮች መስራት አለብን. አንደኛው ሰውን እየፈለገ ነው፣ ሁለተኛው የሚያደርገውን ይወስናል፣ ሦስተኛው ዕድሜው ነው፣ አራተኛው ጾታው ነው። የተለየ አመክንዮ ይህንን ለማድረግ የመደብሩን ክፍል ይመለከታል/የሰለጠነ። ሦስተኛው አቅጣጫውን ይወስናል, ወዘተ.

ወይም፣ ማለቂያ የሌለው የውሂብ መጠን ካለ፣ ለውጤቶቹ ሁሉ አንድ ኔትወርክን ማሰልጠን ይቻል ነበር (በግልጽ፣ እንደዚህ ያለ የመረጃ ድርድር መሰብሰብ አይቻልም)።

የመለያየት አካሄድ ይነግረናል - ኔትወርኩን እራሱ በፅንሰ-ሀሳቦች መካከል መለየት እንዲችል እናሰልጥኑ። በቪዲዮው ላይ ተመስርቶ መክተት እንዲፈጠር, አንድ ቦታ ድርጊቱን የሚወስንበት, አንድ ሰው ወለሉ ላይ ያለውን ቦታ በጊዜ ውስጥ ይወስናል, የሰውዬውን ቁመት ይወስናል እና የግለሰቡን ጾታ ይወስናል. በተመሳሳይ ጊዜ, በስልጠና ወቅት, አውታረ መረቡ በእንደዚህ አይነት ቁልፍ ፅንሰ-ሀሳቦች እንዲገፋፋው ማድረግ አልፈልግም, ይልቁንም ለማጉላት እና ቦታዎችን ለመቧደን. በጣም ጥቂት እንደዚህ ያሉ ጽሑፎች አሉ (አንዳንዶቹ 1, 2, 3) እና በአጠቃላይ እነሱ በጣም ንድፈ ሃሳቦች ናቸው.

ነገር ግን ይህ አቅጣጫ, ቢያንስ በንድፈ ሀሳብ, መጀመሪያ ላይ የተዘረዘሩትን ችግሮች መሸፈን አለበት.

"የግድግዳ ቀለም/የወለል ቀለም/የነገር ቅርጽ/የነገር ቀለም/ወዘተ" በሚለው መለኪያዎች መሰረት የምስል መበስበስ።

እንደ “መጠን ፣ ቅንድብ ፣ አቅጣጫ ፣ የቆዳ ቀለም ፣ ወዘተ” መለኪያዎች መሠረት የፊት መበስበስ።

Прочее

የውሂብ ጎታውን እንደምንም እንዲቀንሱ፣ ከተለያየ ውሂብ ጋር እንዲሰሩ፣ ወዘተ የሚፈቅዱ ሌሎች ብዙ፣ ዓለም አቀፋዊ ያልሆኑ አካባቢዎች አሉ።

ትኩረት. ምናልባት ይህንን እንደ የተለየ ዘዴ መለየት ትርጉም የለውም. ሌሎችን የሚያጎለብት አቀራረብ ብቻ። ብዙ መጣጥፎች ለእሱ ተሰጥተዋል (1,2,3). የትኩረት ነጥብ የኔትወርክን ምላሽ በተለይም በስልጠና ወቅት ጉልህ ለሆኑ ነገሮች ማሳደግ ነው. ብዙውን ጊዜ በአንድ ዓይነት ውጫዊ ዒላማ ስያሜ ወይም በትንሽ ውጫዊ አውታረመረብ።

3D ማስመሰል. ጥሩ 3D ሞተር ከሰሩ ብዙ ጊዜ የስልጠናውን መረጃ 90% መሸፈን ይችላሉ (እኔ እንኳን 99% የሚሆነው መረጃ በጥሩ ሞተር የተሸፈነበትን ምሳሌ እንኳን አየሁ)። በ3ዲ ኢንጂን ላይ የሰለጠነ ኔትዎርክ እውነተኛ መረጃን (Fine tuning, style transfer, ወዘተ) በመጠቀም እንዴት እንደሚሰራ ብዙ ሃሳቦች እና ጠለፋዎች አሉ። ነገር ግን ብዙውን ጊዜ ጥሩ ሞተር መስራት መረጃን ከመሰብሰብ የበለጠ ብዙ ትዕዛዞችን ማዘዝ ከባድ ነው። ሞተሮች ሲሠሩ ምሳሌዎች፡-
የሮቦት ስልጠና (እ.ኤ.አ.)በጉግል መፈለግ, የአዕምሮ አትክልት)
የስልጠና ክፍለ ጊዜዎች እውቅና መስጠት በመደብሩ ውስጥ ያሉ እቃዎች (ነገር ግን ባደረግናቸው ሁለት ፕሮጀክቶች ውስጥ, ያለሱ በቀላሉ ማድረግ እንችላለን).
በቴስላ ስልጠና (እንደገና, ከላይ ያለው ቪዲዮ).

ግኝቶች

ጠቅላላው መጣጥፍ በተወሰነ መልኩ መደምደሚያ ነው። ምናልባት ማድረግ የፈለኩት ዋናው መልእክት “ነጻዎቹ አልቀዋል፣ የነርቭ ሴሎች ከአሁን በኋላ ቀላል መፍትሄዎችን አያቀርቡም” የሚል ነበር። አሁን ውስብስብ ውሳኔዎችን ለማድረግ ጠንክረን መሥራት አለብን. ወይም ውስብስብ ሳይንሳዊ ምርምር በማድረግ ጠንክሮ መሥራት።

በአጠቃላይ ርዕሱ አከራካሪ ነው። ምናልባት አንባቢዎች የበለጠ አስደሳች ምሳሌዎች ሊኖራቸው ይችላል?

ምንጭ: hab.com