Vyhodnocení používání technologií autonomní inteligence

  • 3 min

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.