Today, artificial intelligence helps doctors diagnose patients, pilots fly commercial aircraft, and city planners predict traffic. But no matter what these AIs are doing, the computer scientists who designed them likely don’t know exactly how they’re doing it. This is because artificial intelligence is often self-taught, working off a simple set of instructions to create a unique array of rules and strategies. So how exactly does a machine learn?
Napjainkban a mesterséges intelligencia segít az orvosoknak diagnosztizálni, a pilótáknak repülőgépet vezetni, a várostervezőknek forgalmat előrejelezni. Bármit is csináljanak ezek a rendszerek, az őket tervezők valószínűleg nem tudják, hogy pontosan hogyan is működnek ezek a gépek. Ez azért van így, mert a mesterséges intelligencia önmagát tanítja, egyszerű utasítások halmazából kiindulva jut el végül egyedi szabályok és stratégiák gyűjteményéhez. Hogyan tanul tehát egy gép?
There are many different ways to build self-teaching programs. But they all rely on the three basic types of machine learning: unsupervised learning, supervised learning, and reinforcement learning. To see these in action, let’s imagine researchers are trying to pull information from a set of medical data containing thousands of patient profiles.
Sok különféle módja van az öntanító programok megalkotásának, de mindegyik három alapvető gépi tanulási típusra támaszkodik: a nem felügyelt tanulásra, a felügyelt és a megerősítéses tanulásra. Ahhoz, hogy ezeket működés közben lássuk, képzeljük el, hogy a kutatók információt akarnak kinyerni egy orvosi adathalmazból, amely több ezer páciens profilját tartalmazza.
First up, unsupervised learning. This approach would be ideal for analyzing all the profiles to find general similarities and useful patterns. Maybe certain patients have similar disease presentations, or perhaps a treatment produces specific sets of side effects. This broad pattern-seeking approach can be used to identify similarities between patient profiles and find emerging patterns, all without human guidance.
A munka a nem felügyelt tanulással indul. Ez a módszer ideális arra, hogy megvizsgáljuk az összes profilt, hogy megtaláljuk az átfogó hasonlóságokat és hasznosítható mintázatokat. Néhány páciensnél lehet, hogy ugyanúgy jelenik meg a betegség, vagy egy adott kezelés bizonyos mellékhatásokat okoz. Ez a mintázatfelismerési módszer használható arra, hogy hasonlóságokat azonosítsunk a betegek között, új mintázatokat találjunk,
But let's imagine doctors are looking for something more specific.
mindezt pedig emberi közreműködés nélkül.
These physicians want to create an algorithm for diagnosing a particular condition. They begin by collecting two sets of data— medical images and test results from both healthy patients and those diagnosed with the condition. Then, they input this data into a program designed to identify features shared by the sick patients but not the healthy patients. Based on how frequently it sees certain features, the program will assign values to those features’ diagnostic significance, generating an algorithm for diagnosing future patients. However, unlike unsupervised learning, doctors and computer scientists have an active role in what happens next. Doctors will make the final diagnosis and check the accuracy of the algorithm’s prediction. Then computer scientists can use the updated datasets to adjust the program’s parameters and improve its accuracy. This hands-on approach is called supervised learning.
De képzeljük el, hogy az orvosok valami konkrétabbat keresnek. Az orvosoknak egy algoritmusra van szükségük ahhoz, hogy egy bizonyos betegséget azonosítani lehessen. Először is kétféle adathalmazt gyűjtenek: felvételeket és laboreredményeket mind az egészséges, mind a betegséggel diagnosztizált páciensektől. Ezután az adatokat betáplálják egy programba, amely felismeri a beteg páciensek egészségesektől eltérő közös tulajdonságait. Attól függően, hogy ezek milyen gyakran jelentkeznek, a program az adott minta diagnosztikai fontossága szerint értékkel látja el őket, így létrejön a diagnosztikára alkalmas algoritmus. A nem felügyelt tanítással szemben itt már az orvosok és informatikusok vesznek részt a döntéshozatalban. Orvosok állítják fel a diagnózist, és mérik meg az algoritmus előrejelzési pontosságát. Az informatikusok a frissített adathalmazt arra használják, hogy finomhangolják a paramétereket a pontosabb előrejelzés érdekében. Ezt a gyakorlatias megoldást hívják felügyelt tanulásnak.
Now, let’s say these doctors want to design another algorithm to recommend treatment plans. Since these plans will be implemented in stages, and they may change depending on each individual's response to treatments, the doctors decide to use reinforcement learning. This program uses an iterative approach to gather feedback about which medications, dosages and treatments are most effective. Then, it compares that data against each patient’s profile to create their unique, optimal treatment plan. As the treatments progress and the program receives more feedback, it can constantly update the plan for each patient. None of these three techniques are inherently smarter than any other. While some require more or less human intervention, they all have their own strengths and weaknesses which makes them best suited for certain tasks. However, by using them together, researchers can build complex AI systems, where individual programs can supervise and teach each other. For example, when our unsupervised learning program finds groups of patients that are similar, it could send that data to a connected supervised learning program. That program could then incorporate this information into its predictions. Or perhaps dozens of reinforcement learning programs might simulate potential patient outcomes to collect feedback about different treatment plans.
Tegyük fel, hogy az orvosoknak olyan algoritmusra van szükségük, amely kezelési javaslatokat ad. Mivel ezeket fázisonként fogják megvalósítani, és változhatnak is a kezelésre adott egyéni válaszok függvényében, az orvosok megerősítéses tanulást alkalmaznak. A program iterációkban gyűjt visszajelzést arról, hogy melyik gyógyszer, milyen adagolás és milyen kezelés a hatásos. Ezután összeveti az adatokat mindegyik páciens profiljával, hogy létrehozza az egyedi, optimális kezelési tervet. A kezelés előrehaladtával a program egyre több visszajelzést kap, és folyamatosan frissíti mindegyik páciens kezelési tervét. A bemutatott három technika egyike sem jobb önmagában a többinél. Némelyik több-kevesebb emberi közreműködést igényel, de megvannak a maguk erősségei és gyengeségei, amelyek miatt alkalmasak bizonyos feladatokra. Együttes használatukkal viszont a kutatók komplex intelligens rendszereket hozhatnak létre, melyek felügyelhetik és taníthatják egymást. Például amikor a nem felügyelt tanulással működő program hasonló páciensekből álló csoportokat képez, akkor ezeket az adatokat elküldheti egy felügyelt tanulású programnak. Ez a program pedig beépítheti az adatokat a saját előrejelzéseibe. Vagy talán tucatnyi megerősítéses tanulású program szimulálhatja a kezelés lehetséges kimenetelét, hogy visszajelzést gyűjtsön az egyes kezelési tervekről.
There are numerous ways to create these machine-learning systems, and perhaps the most promising models are those that mimic the relationship between neurons in the brain. These artificial neural networks can use millions of connections to tackle difficult tasks like image recognition, speech recognition, and even language translation. However, the more self-directed these models become, the harder it is for computer scientists to determine how these self-taught algorithms arrive at their solution. Researchers are already looking at ways to make machine learning more transparent. But as AI becomes more involved in our everyday lives, these enigmatic decisions have increasingly large impacts on our work, health, and safety. So as machines continue learning to investigate, negotiate and communicate, we must also consider how to teach them to teach each other to operate ethically.
Többféle módon hozhatunk létre, gépi tanulási rendszereket, és talán az egyik legígéretesebb az, amelyik az agyban a neuronok közötti kapcsolódásokat utánozza. Ezek a mesterséges neurális hálózatok több milliónyi szinapszissal oldanak meg olyan bonyolult feladatokat, mint a kép- és beszédfelismerés, vagy akár a gépi fordítás. Viszont minél önállóbbak lesznek ezek a modellek, úgy lesz egyre nehezebb az informatikusoknak követni, hogyan jutnak el a megoldáshoz. A kutatók már vizsgálják, hogyan tehetnék átláthatóbbá a gépi tanulást. Amint a mesterséges intelligencia egyre több teret nyer, ezek az átláthatatlan döntések egyre jobban befolyásolják a munkánkat, az egészségünket és a biztonságunkat. Tehát amíg a gépek vizsgálni, egyeztetni és kommunikálni tanulnak, közben nekünk is gondolnunk kell rá, hogy etikus működésre tanítsuk őket.