Vyhodnocení používání technologií autonomní inteligence
Strojové Učení (ML) a hloubkové Učení (DL) dosáhly úrovně lidské parity (fungují jako lidé na úkolu) pro mnoho aplikací, včetně rozpoznávání objektů, rozpoznávání řeči, porozumění čtení, strojového překladu a obecného zpracování jazyka; a téměř lidské parity pro syntézu řeči. Algoritmy ML a DL však trpí omezeními dat, tj. výsledky budou stejně dobré jako kvalita vstupních dat a předsudků. Jsou to také černé rámečky, které nemají žádnou nebo omezenou vysvětlitelnost, a proto nejsou důvěryhodné, zejména v průmyslových nastaveních. Mají také chyby (falešně pozitivní a falešně negativní výsledky), které nejsou chyby podobné člověku a jsou neočekávané (každý odvození může být chybou).
Algoritmy hloubkové zesílení Učení (DRL) mají mnoho "superpowers": můžou měnit chování v reakci na měnící se podmínky; mohou učit složité, nelineární vztahy, které vyžadují rozhodnutí, která se mají provést napříč přibližnými, nelineárními relacemi mezi proměnnými, průchody stavu prostředí; jednat na komplexní vnímání; reagovat na změny prostředí, které nejsou přímo měřeny; a nejdůležitější se učí strategii.
Seznamy DRLs ale mají také omezení: nemá žádné předchozí znalosti úkolu – to znamená, že se musí naučit všechno pomocí velmi velkého počtu iterací pokusů a chyb. Tento proces je neefektivní, pokud musí procházet velmi velký stavový prostor. Naštěstí je možné snížit složitost seznamů DRLs zavedením znalostí domény, aby se snížil prostor hledání.
V následující tabulce shrnujeme výhody a omezení dvou hlavních technologií, které jsou součástí autonomní inteligence: ML a DRL.
Co to je? | Kdy byste ho měli použít? | Jaká jsou omezení? | |
---|---|---|---|
- Strojové Učení (ML) - Neurální sítě (NN) - Deep Machine Učení (DML) |
Síť propojených uzlů, které se učí z dat rozpoznávat vzory nebo replikovat chování | - Když potřebujete pokročilé vnímání: počítačové zpracování obrazu, zpracování přirozeného jazyka, zvuk atd. -Klasifikace -Předpověď |
- Obtížné trénovat - Omezená / neintuitivní vysvětlitelnost (černá skříňka) - Snadné hackable - Každý odvozování může být falešně pozitivní nebo negativní. - Nízká spolehlivost, ne deterministické - Nelze reagovat, obtížné integrovat do průmyslového procesu - Když potřebujete pokročilé vnímání: počítačové zpracování obrazu, zpracování přirozeného jazyka, zvuk atd. -Klasifikace - Nízká adoptovatelnost |
- Učení výztuže (RL) - Hloubková výztužná Učení (DRL) |
Ml, který se v simulaci / reálném světě praktikuje | - Obtížné vyhodnocení stavu, nelineární, dynamické prostředí. - Když potřebujete pokročilé vnímání: počítačové zpracování obrazu, zpracování přirozeného jazyka, zvuk atd. -Klasifikace - Když se potřebujeme naučit strategii na lidské úrovni |
- Těžko trénovat. - Omezená / neintuitivnější vysvětlitelnost (černá skříňka). - Obtížně se integruje do průmyslového procesu. - Když potřebujete pokročilé vnímání: počítačové zpracování obrazu, zpracování přirozeného jazyka, zvuk atd. -Klasifikace - Žádné předchozí znalosti úkolu. |