Usa ka pulong bahin sa mga proseso, o kitang tanan gamay ra .
Padayon nga mga pamalandong sa hilisgutan sa intelihensiya, natural ug artipisyal (AI), Unang Bahin
Lisod nga pangutana: Nagpuyo ba ang tawo sa karon? Dili, kon maglakaw kita sa dalan ug direktang mamalandong sa kalibutan sa atong palibot, kita molihok nga labaw o dili kaayo tinuod nga panahon…Bisan tuod sa tinuod lang—hangtod nga ang atong makita moagi sa naandan nga mga mekanismo sa pag-ila/klasipikasyon—kining tanan bag-o lang, apan nangagi pa. Busa, ang tawo ba nagpuyo sa nangagi?
Pananglitan: naglakaw ka sa dalan ug nakakita og iro. O sakyanan. Bisan unsa pa, kon ang atong hisgutan mao ang karon, kini nga impormasyon karaan na. Kon mogamit kita og datos nga naproseso na sa tanan natong mga mekanismo sa panghunahuna (ug ang utok dili ang pinakapaspas nga kompyuter!), dili gyud kita makasunod sa kalibutan! Ang iro moatake o, sa laing bahin, modagan palayo, ug ang imong tinguha nga tapikon kini sa dalunggan dili matuman, ug ang sakyanan mobangga kanimo o molabay kanimo, bisan pa nga kini ang sakyanan mismo nga imong gisulayan nga "madakpan."
Apan maayo na lang, wala kini mahitabo, ug ania ang hinungdan: lahi ang paglihok sa utok. Ang yunit sa panan-aw dili usa ka butang, o bisan usa ka koleksyon sa mga butang, apan mga proseso. Usa ka iro ang nagdagan. Padulong kanimo o palayo kanimo. O dili nagdagan, apan naghigda, pananglitan. Ang sakyanan parehas ra—naghunong (sa parkinganan) o naglihok sa usa ka piho nga direksyon. Sa tanan nga mga kaso, imong makita ang usa ka proseso nga molungtad sa paglabay sa panahon ug, sumala niana, adunay usa ka piho nga pag-uswag sa umaabot. Kung moingon ko nga atong makita ang mga panghitabo nga nag-uswag sa paglabay sa panahon, dili lang ako nagsulti. Paghimo og eksperimento—pagkuha og dose ka mga litrato (pananglitan, mga snapshot sa realidad) ug ihulagway kung unsa ang imong nakita. Ania ang daghang mga tawo sa usa ka kwarto, naglalis, o ania ang usa ka tawo nga naglakaw sa dalan, o ania ang usa ka tawo nga naglingkod nga nagtan-aw og TV, ug ang lain nagbasa og libro. Kini tanan mga proseso nga molungtad sa paglabay sa panahon! Imong makita ang usa ka snapshot isip usa ka butang nga adunay pagpadayon. Dili nimo mahimo ang lain tungod kay mao kana ang paglihok sa utok: kini nabansay sa pag-ila sa mga proseso, dili sa nahimulag nga mga butang sa usa ka entablado. Dili lang mata-ilong-baba, kondili ang nawong sa kinatibuk-an (hello, convolutional neural networks).
Ang kalibutan gilangkoban sa mga proseso, dili mga butang. Kon pangutan-on ko ikaw kon unsa ang mansanas, unya kadaghanan sa mga hamtong moingon nga kini prutas, ug mga bata - unsa man ni? pagkaonApan pareho silang mga deskripsyon sa proseso, tungod kay ang una nagpasabot nga kini nga mansanas motubo sa kahoy, ug nagsilbi sa kahoy alang sa pagpasanay, ug ang ikaduha mao nga kini makaonWalay usa niini nga may kalabutan sa diha-diha nga mga kinaiya sa mansanas—porma, kolor, gidak-on... Tungod kay ang mga kinaiya nagtugot sa pag-ila, apan wala magtugot sa paggamit o pagsabot sa paggamit niini sa palibot nga kalibutan, i.e., pagtino sa mga proseso nga nalambigit.
Kon atong kuhaon ang tipikal nga debate bahin sa kinaiya sa panahon, ang mga klasiko nga postulate mao ang pagkadili-mausab sa nangagi (gawas sa konteksto sa pagbiyahe sa panahon), ang kahinungdanon sa karon (adunay usa ka gutlo lamang... 😉 ), ug ang umaabot, nga wala pa maglungtad ug busa mahimong mausab. Kon maghisgot kita bahin sa obhetibong realidad, kini mahimong tinuod. Bisan pa, ang mga tawo nagpuyo sa ilang kaugalingon, subhetibong modelo sa kalibutan, ug didto, ang tanan halos sukwahi!
Ang nangagi layo pa sa pagka-dili mausab sama sa atong gusto. Kanunay nga makadawat og bag-ong impormasyon, giusab sa mga tawo ang ilang istruktura sa nangagi aron mawagtang ang mga kontradiksyon.Abi nimog naa si Pyotr Stepanych sa usa ka symposium, pero mao diay, nigawas siya sa strip club... Buot ipasabot, dili siya moadto bisan asa, ang prankster, wala man siya moadto bisan asa, ug bisan pa niana... ). Sa samang higayon, ang imong suhetibong kaugmaon sa daghang aspeto usa ka makanunayon (Bisag unsa pa, moinom kog beer ug magdula og football karong Biyernes!). Dugang pa, kon adunay piho nga tumong sa umaabot, dili lang kay magtukod ka og kadena sa mga proseso sa baliktad nga han-ay (Aron mahimong direktor sa usa ka dakong kompanya, kinahanglan kang mogradwar sa usa ka prestihiyosong unibersidad nga adunay diploma. Aron mahimo kini, kinahanglan una kang magpalista niini, ug aron mahimo kini, kinahanglan kang makakuha og maayong resulta sa Unified State Exam. Pagtuon sa imong homework!), apan posible usab nga moadto ka sa nangagi niining prosesoha (Naa ba tay mga higala/kaila nga karon nidako ug nahimong suod nga higala ug makatabang sa atong anak sa ilang pagtuon sa unibersidad?) — unsaon man nga dili ni kontra-mosyon? 😉
Apan, medyo milapas na ko og hisgot. Ang importante nga butang nga gusto nakong hatagan og pagtagad mao kini. mga prosesoKombinsido gyud ko nga ang potensyal nga AI dili angay bansayon gamit ang mga litrato o bisan mga video. Ang usa ka convolutional network adunay labing menos duha ka layer—sa panguna duha ka lainlaing network: ang usa gibansay sa pag-ila sa piho nga mga graphic pattern sa usa ka hilaw nga imahe, samtang ang ikaduha naghisgot sa output sa una—i.e., sa naproseso na ug giandam nga impormasyon. Aron malampuson nga makig-uban sa kalibutan sa AI, kinahanglan ang parehas: sa pila ka lebel (layo sa una), kinahanglan adunay usa ka network nga makadawat usa ka time-deployed nga mapa sa mga proseso isip input. Ang mga konsepto sa "sinugdanan" ug "katapusan," "paglihok," "pagbag-o," "paghiusa," ug "pagbulag"—mao kini ang kinahanglan nga makat-unan sa network nga gamiton.
Halos sigurado ko nga kadtong nagtrabaho sa AI para sa mga dula sama sa Alpha Go nakasabot niini sa usa o lain nga paagi. Ang ilang mga pamaagi mahimong gamay nga lahi, apan ang esensya parehas ra: ang kasamtangang sitwasyon sa board (ilabi na, ang katapusang pipila ka mga lihok) gisusi aron mahibal-an "kung unsa gyud ang nahitabo." Ug depende kung unsa ka duol ang nahitabo sa kung unsa ang angay nga mahitabo, ang magdudula mopili sa ilang kaugalingon nga mga lihok.
Lisod kaayo ang paghisgot bahin sa estratehiya/pamatasan kung ang input usa ka sensor image. Sa laing bahin, ang usa ka giandam nga vector nga adunay kompleto nga layout sa kasamtangang board state sa mga dula nga adunay kompleto nga impormasyon (pananglitan, usa ka kompleto nga hulagway sa kalibutan) usa ka hingpit nga mahimo nga buluhaton, sama sa gipakita sa praktis. Bisan pa, kung ang usa ka convolutional network sa unang mga layer nakaila sa mga butang, ug ang sunod nga mga layer nag-analisar niini nga mga butang nga dinamiko, nga nag-ila sa mga proseso (pamilyar gikan sa pagbansay, pananglitan) ug nagkomplemento sa datos nga nakuha kaniadto, nan daw posible nga magtrabaho uban niini...
Mga pangutana para sa mga eksperto:
Unsa ka realistiko, tungod sa kasamtangang mga kalamboan sa neural networks, ang pagbuhat sa usa ka butang sama sa mosunod:
Sa entradaPananglit usa ka padayon nga video signal, posible nga stereo. Sa laing bahin, mahimo kini nga adunay daghang degree of freedom (ang abilidad sa pagtuyok sa camera nga arbitraryo o sumala sa usa ka pattern). Bisan pa, kung kinahanglan, ang video signal mahimong madugangan o mapulihan sa bisan unsang uban pang mga pamaagi sa spatial perception, gikan sa sonar hangtod sa lidar.
Sa tinuod lang…pwede naa bisan unsa sa entrada tinuod nga panahon agos - kini man pagsulti/teksto, o mga kinutlo sa kuwarta, apan... Sa proseso nga gikonsiderar, mas sayon para nako ang pagsalig sa bugtong sample sa hunahuna nga magamit nako alang sa direktang pagtuon - ang akoa!) Ug niining "sample," ang sensory channel labaw pa sa kompetisyon!
Sa gawasanan:
- Mapa sa giladmon (kon ang kamera static) o mapa sa palibot nga kawanangan (dynamic camera/lidar, ug uban pa);
Alang sa unsaKinahanglanon kini kung gusto nato nga adunay realistiko nga kahikayan sa mga butang aron masusi ang ilang mga interaksyon. Niini nga kaso, ang imahe sa kamera usa lamang ka duha ka dimensyon nga proyeksyon sa usa ka mas taas nga dimensyon nga wanang, nga nanginahanglan dugang nga mga pagbag-o.
- Pagpili sa indibidwal nga mga butang (nga gikonsiderar ang giladmon/mapa sa kawanangan, ug dili lamang/dili kaayo ang makita nga mga kontorno);
- Pagpili sa naglihok nga mga butang (katulin/pagpadali, pagtukod sa trajectory/tagna(?));
- Hierarchical nga klasipikasyon sa mga butang pinaagi sa bisan unsang makuha nga mga bahin (porma/dimensyon/kolor/mga kalainan sa paglihok/mga sangkap(?)). Kana, sa esensya, ang pagkuha sa mga sukatan para sa .
mahitungod sa hirarkiyaBasin ang pulong nga "hierarchical" dili hingpit nga angay niini nga kaso. Gusto nakong ipasiugda ang abilidad sa pagpili og mga sukdanan bisan unsang orasa aron Ang kal-ang tali kanila nagtugot sa duha ka lain-laing hugpong sa mga sukdanan nga isipon nga usa ra ka konsepto. Sama sa "pula nga sakyanan" ug "asul nga bus" nga kinahanglan i-generalize ngadto sa konsepto sa "sakyanan," pananglitan.
Kini mao ang importante sa: Kon mahimo, ang sistema dili angay nga bansayon daan. Kini nagpasabot nga ang pipila ka mga batakang bahin mahimong ma-built-in (pananglitan, usa ka first-layer convolutional network para sa contour/geometry extraction), apan kinahanglan kini nga makat-on sa pagkuha sa mga butang ug dayon pag-ila niini sa iyang kaugalingon.
- Aw, ug sa katapusan, ang paghimo og scan (base sa mga parapo 1,4, i.e. usa ka spatial map nga gikonsiderar ang mga metrics) sa oras (sa pagkakaron, niining yugtoa, dayag sa direktang naobserbahan nga panahon), aron makahimo og pag-analisar sumala sa mga punto 2-4, aron mailhan: mga proseso/panghitabo (nga sa panguna mga pagbag-o sa panahon (p.3) ug ang ilang klasipikasyon sa pungpong (p.4).
Sa makausa pa: gikan sa mga imahe sa sensor, una natong kuhaon ang mas pino nga paghulagway sa kalibutan, nga gimarkahan sumala sa nakuha nga mga bahin ug gibahin ngadto sa mga butang imbes nga mga pixel. Dayon atong ipadayag ang kalibutan, nga gilangkoban niining mga butanga. sa panahon ug nadawat "hulagway sa kalibutan" Atong ipasa kini sa input sa sunod nga network, nga moproseso niini sa samang paagi sama sa pagproseso sa miaging mga layer sa sensory image. Kon ang mga contour sa mga butang nailhan kaniadto, ang "mga contour" sa nagpadayon nga mga proseso mailhan na karon. Ang relatibong posisyon sa mga butang sa kawanangan susama sa hinungdan-ug-epekto nga relasyon sa mga proseso sa panahon... Ingon niana.
Lagmit human niini ang sistema makaila na sa mga proseso pinaagi sa ilang bahin (tungod kay kini makaila na sa mga imahe, nga adunay usa lang ka tipik niini, o sama sa ), ug, tungod niini, matagna kini sa unahan ug paatras sa panahon, nga nagpalapad sa modelo sa punto 5 nga walay katapusan sa duha ka direksyon. Usab, gituohan, nga adunay pagsabot sa mga composite nga proseso, ang sistema makaila sa mas dagkong sukod, global nga mga proseso base sa daghang may kalabutan nga lokal nga mga proseso ug, tungod niini, implicit, tinago nga mga proseso nga usa ka integral nga bahin sa giila nga global nga mga proseso, apan dili direkta nga nakita.
Ug sa katapusan: kon hatagan og piho nga kahimtang sa sistema sa umaabot (diin ang mga importanteng elemento lamang sa Hilbert metrics ang gitakda, ug ang nahabilin nga dili importante nga mga kantidad gawasnon nga hubaron), ang network ba makahimo sa "pagsabot" sa nahabilin?
Busa, kon kini usa ka imahe nga adunay duha lang ka walay kalabutan nga mga tipik, mahimo ba nga ang usa ka network nga gibansay sa usa ka sample makahimo og usa ka "konsistente" nga kompleto nga imahe? Ang sample niini nga kaso mahimong parehas nga mga agwat sa oras gikan sa eksperimento, ug ang mga tipik mao ang kasamtangan ug target nga mga estado. Ang resulta: usa ka makanunayon nga "kasaysayan" nga nagkonektar sa duha...
Para nako, kini mahimong usa ka hinungdanon nga basehan alang sa dugang nga mga eksperimento:
- paglakip sa kaugalingong mga aksyon sa "kasaysayan", kon mahimo/gikinahanglan
- ang prayoridad sa "regular" nga mga sumbanan sa hinungdan-ug-epekto kaysa sa wala makontrol nga mga stochastic outlier (ang problema sa roulette)
- usa ka matang sa pagkamausisaon, i.e. aktibong pagsabot sa mga sumbanan pinaagi sa aksyon... ug uban pa.
P.S. Andam ko moangkon nga bag-o lang nako naimbento ang ligid, ug nga ang mga tawo nga adunay kahibalo dugay nang naggamit niini nga mga prinsipyo sa praktis. 😉 Kung mao kana, palihug itudlo ako sa husto nga direksyon. Ug mas maayo pa kung makahatag ka usa ka detalyado nga paghulagway sa mga sukaranan nga problema niini nga pamaagi o usa ka katarungan kung ngano nga dili kini molihok sa una pa lang.
PPS Nakaamgo ko nga bastos ang teksto, ug ang mga hunahuna nagbalhin-balhin gikan sa usa ka butang ngadto sa lain, apan gusto gyud nako nga ipangutana kini sa pipila ka mga tawo (seksyon nga "mga pangutana para sa mga eksperto"), ug kini lisud buhaton kung wala’y bisan unsang klase sa presentasyon. (Gibasa nako kini pag-usab ug akong naamgohan nga lisod kaayo kini sabton) natuman niini ang katuyoan niini: Nakadawat ako daghang mapuslanong mga diskusyon para kanako... Nanghinaut ko nga molihok usab kini karong higayona! 😉
Source: www.habr.com
