Алгоритм, чтобы управлять ими всеми!
Это определенно звучит как мега-ботаник, чтобы сказать, что это надумано. Тем не менее, многие люди в академических кругах и в промышленности стремятся найти алгоритм, который в целом может решить очень много проблем. Это по-прежнему во многом теоретическая проблема, и она действительно может пробудить воображение, если вы просто поразмышляете над ней.
Впервые я услышал об изобретенном термине главный алгоритм, когда ехал домой, слушая этот подкаст. Есть целая книга, несколько выступлений по ней, так что очевидно, что этот алгоритм находится в умах сообщества и команд машинного обучения.
Предыдущая технология алгоритма определялась пошаговыми инструкциями. Эта структура по-прежнему важна для решения проблем, поскольку нам, естественно, нравится разбивать большие проблемы на более мелкие подзадачи. Однако этот следующий информационный век предполагает обучение через данные - компьютеры сами программируют или автоматизируют автоматизацию.
Здесь доктор Педро Домингос говорит о святом Граале машинного обучения - алгоритме обучения, который сможет сделать гораздо больше, чем это возможно сейчас.
Школы мысли
Профессор представляет различные школы алгоритмического обучения, которые, на мой взгляд, были увлекательными. Я выделю некоторые здесь.
Есть эволюционисты, которые считают, что наиболее подходящие алгоритмы необходимо сравнивать друг с другом, чтобы определить самый лучший. Вдобавок к этому алгоритмы могут разделять алгоритмическую ДНК, в которой разные поколения кода передают информацию о том, что работает, а что нет - моделируя улучшения и новые стратегии решения проблем за счет разнообразия.
Есть также лагеря, которые основывают свою гипотезу об обучении на основе нейробиологии посредством глубокого обучения. Их называют «коннекционистами». Здесь обучение происходит на мета-уровне, где «нейроны, которые срабатывают вместе, соединяются вместе». Эти люди создали обратное распространение, и их методы широко используются всеми крупными техническими фирмами для таких приложений, как результаты поиска, реклама, распознавание лиц и т. Д. Укрепление и ослабление связей - вот главное в игре.
Другая группа - это те, кто любит учиться по аналогии. Удовольствие от идеи, что при большом количестве данных, которые продолжают накапливаться друг над другом, должен существовать сценарий, похожий на тот, который вы изучаете. Эти люди хотят учиться через разнообразие ретроспективных данных, и это своего рода подход прокрастинатора, но не позволяйте этому обмануть вас, заставляя думать, что он менее эффективен.
Сходимость алгоритмов
Кроме того, есть идея, что, возможно, главный алгоритм будет кульминацией или объединением, в котором используются все современные методы. Великая объединенная теория машинного обучения - аналог физики. Правдоподобно.
Однако мы также можем неправильно думать об этой проблеме - возможно, нам нужно мыслить нестандартно, чтобы найти главный алгоритм. Может быть, в их комнате в общежитии в случайной стране найдется ребенок, который это поймет. Возможно, наступит еще один золотой век, когда все необходимые условия будут объединены для создания главного алгоритма. Сегодня у нас есть вычислительная мощность и огромное количество данных, но, возможно, чего-то не хватает. Секретный соус, если хотите.
По мере того, как мы стремимся к единой теории машинного обучения, крайне важно всегда понимать последствия нашей работы. Этичны ли мы при решении этих проблем? Мы вызываем последующие эффекты, которые нам нужно смягчить? Мы в безопасности? Как всегда, в технологиях никогда не бывает скучно.
Спасибо за прочтение.
Эта история опубликована в The Startup, крупнейшем предпринимательском издании Medium, за которым следят более 312 043 человека.
Подпишитесь, чтобы получать наши главные новости здесь.
