F:
Hur spelar djupa envisa nätverk en roll i AI-utvecklingen?
A:I motsats till detta, djupt envisa nätverk helt enkelt "lägga till funktionalitet" till en befintlig teknisk konstruktion, det generativa motsatta nätverket (GAN), men i verkligheten berättar den senaste utvecklingen av det djupa envisa nätverket grundläggande saker om hur AI kan utvecklas mot betydande modellering av mänskligt beslutsfattande.
Det djupa envisa nätverket förlitar sig på samspelet inom GAN för två AI-enheter: "generatorn" och "diskrimineraren". Generatorn "genererar" innehåll eller exempel eller testdata eller vad du än väljer att kalla det. Diskrimineraren tar input och sorterar det eller fattar beslut baserat på det. Dessa två delar av ett djupt envis nätverk är oberoende enheter för AI-forskning, men de arbetar tillsammans.
Det är viktigt att notera att tillgänglig offentlig litteratur om djupa envisa nätverk är knapp, och verkar bestå av en liten uppsättning vanliga beskrivningar på de bästa Googles rankningssidor. En av de mest auktoritativa, på KDNuggets, citerar användningen av en "Goodfellow-koefficient" som är oupptäcklig på egen hand genom en Google-sökning. (Ian Goodfellow är en datavetare som krediteras några av de grundläggande idéerna bakom djupa envisa nätverk.)
Idén om det djupa envisa nätverket förklaras emellertid på KDNuggets och på annat håll: den grundläggande idén är att generatorn kan "försöka lura" diskrimineraren, och att diskrimineraren kan göras "mer diskriminerande" tills den blir på ett sätt, känslig i sitt "självtvivel" och väljer inte att returnera resultat. Sedan inträffar ett viktigt nästa steg: Programmet, antingen genom mänsklig intervention eller algoritmer, "koxas" för att ge ett svar.
I den här modellen börjar vi se AI ta ett enormt steg, från att bara modellera data eller analysera träningssatser, till faktiskt att ta de typer av beslut på hög nivå som vi anser vara i det mänskliga området. I utvärderingen av både "valmönstren" för AI-diskrimineraren och "valmönstren" hos en människa, citerar KDNuggets-stycket "Paradox of Choice" som var banbrytande av Barry Schwartz. Några oberoende blogginlägg beskriver hur det djupa envisa nätverket belyser väsentligen mänskligt beteende: J. Yakov Stern berättar om de aktuella begränsningarna och möjliga framsteg i en lång avskiljning av IVR, och Alexia Jolicoeur-Martineau avslöjar några av de senaste resultaten som GAN kan ge.
Så i en mening är den primära effekten av djupa envisa nätverk på AI att omorientera eller utöka forskningen utöver de typer av beslut som är lätt att använda för företag och att främja banbrytande forskning för att göra datorer ännu mer lik människor. Det kan finnas valfritt antal applikationer av denna idé för företag, men de är inte lika klippta och torkade som, till exempel, den nuvarande tillämpningen av maskininlärningsalgoritmer på konsumenternas rekommendationsmotorer eller användningen av smarta ML-processer i marknadsföring. DSN-forskning tycks antyda att vi kan göra AI-enheter mer känsliga, vilket medför en hel del risk samt belöning.
