Könnte Deep Learning ein Ende haben?
Bildnachweis: HackerNoon
Deep Learning ist eines der spannendsten Forschungsfelder in der Technologie und die Basis von so viel KI: Könnten seine Tage wirklich gezählt sein?
Im Jahr 2000 führte Igor Aizenberg Deep Learning in Verbindung mit künstlichen neuronalen Netzen (KNN) ein, um boolesche Schwellenneuronen für Reinforcement Learning zu bestimmen. Es war eine Offenbarung. Für viele ist es immer noch das Spannendste an der künstlichen Intelligenz.
Deep Learning wurde in der Glut des Jahres 2 geboren und hat das 21. Jahrhundert geprägt. Automatische Übersetzungen, autonome Fahrzeuge und Kundenerlebnisse sind alle diesem Konzept verpflichtet: der Idee, dass wir als Spezies einfach zurücktreten und die harte Arbeit den Maschinen überlassen können, wenn sich die Technologie selbst beibringen kann.
Einige glauben, dass Deep Learning ist die letzte wahre Erfindung der Menschheit. Andere glauben, es sei eine Frage der Zeit, bis Roboter aufstehen und uns zerstören. Wir gehen davon aus, dass KI uns überleben wird: Was aber, wenn Deep Learning eine Lebensdauer hat?
MIT Technology Review untersuchte die Geschichte der KI und analysierte 16,625 Artikel, um Trends und Erwähnungen verschiedener Begriffe aufzuzeichnen, um genau zu verfolgen, was wann an Popularität gewonnen hat. Ihr Fazit war faszinierend: Deep Learning könnte durchaus zu Ende gehen.
Die Entstehung des Deep-Learning-Zeitalters
Die Begriffe „künstliche Intelligenz“, „maschinelles Lernen“ und „tiefes Lernen“ werden oft als austauschbare Schlagworte für jede Art von Computerprojekt verwendet, das irgendwelche Algorithmen erfordert.
Das ist natürlich irreführend. Dieses Diagramm ist eine allgemeine visuelle Erklärung dafür, dass Deep Learning nur ein Teilbereich des maschinellen Lernens und maschinelles Lernen ein Teilbereich der KI ist.
Deep Learning ist nur eine Ära der künstlichen Intelligenz. Das MIT nutzte die größten Open-Source-Datenbanken für wissenschaftliche Arbeiten, bekannt als die arXiv, und verfolgte die erwähnten Wörter, um herauszufinden, wie sich die KI entwickelt hat.
Diese Ergebnisse ergaben drei Haupttrends. Erstens gab es eine allmähliche Verlagerung hin zum maschinellen Lernen, die an der Schwelle zum 21. Jahrhundert begann. Zweitens begannen neuronale Netze etwa ein Jahrzehnt später an Fahrt aufzunehmen, gerade als Unternehmen wie Amazon und Apple KI in ihre Produkte einbauten. Reinforcement Learning war die dritte große Welle der letzten Jahre.
Neuronale Netze waren nicht immer so beliebt. Sie erreichten in den 1960er Jahren ihren Höhepunkt und tauchten unter die Oberfläche, kehrten kurz in den 80er Jahren und dann wieder etwa 20 Jahre später zurück.
Das MIT fand im 21. Jahrhundert einen Übergang weg von wissensbasierten Systemen (KBS) – Computerprogrammen, die eine Wissensbasis nutzen und zur Lösung komplexer Probleme nutzen. Es wurde durch maschinelles Lernen ersetzt, das nur aus den verfügbaren Trainingsdaten ein Modell erstellt und dieses Modell verwendet, um Schlussfolgerungen aus neuen Beobachtungen abzuleiten, im Gegensatz zu der Methode eines KBS, auf der Grundlage von Fakten oder Wissen und den „ wenn-dann-Regeln, es wurde gefüttert.
Was kommt als nächstes?
Es gibt mehr als eine Möglichkeit, eine Maschine zu trainieren.
Überwachtes Lernen ist die beliebteste Form des maschinellen Lernens. Entscheidungen, die bei dieser Methode getroffen werden, haben keinen Einfluss darauf, was eine KI in der Zukunft sieht. Das ist das Prinzip der Bilderkennung: Alles, was Sie brauchen, ist das Wissen darüber, wie eine Katze aussieht, um eine Katze zu erkennen.
Reinforcement Learning ahmt jedoch nach, wie wir lernen: Es ist eine sequentielle Art des Lernens, was bedeutet, dass die nächste Eingabe der KI von einer Entscheidung abhängt, die mit der aktuellen Eingabe getroffen wird. Stellen Sie es sich eher wie ein Brettspiel vor: Sie können Schach spielen, indem Sie alle Regeln lernen, aber Sie machen als Spieler wirklich Fortschritte, indem Sie Erfahrung sammeln.
Im Oktober 2015 gelang es dem mit Reinforcement Learning trainierten AlphaGo von DeepMind, den Weltmeister im alten Go-Spiel zu besiegen, indem er aus Erfahrung lernte. Dies hatte einen großen Einfluss auf das Reinforcement Learning. Seitdem hat es an Fahrt gewonnen, genau wie Deep Learning seinen Boom erlebte, nachdem Geoffrey Hinton gegen Ende der 2000er Jahre Durchbrüche bei der Bilderkennung erzielte.
[forminator_poll id = ”2995 ″]
KI hat Genrewechsel wie Musik. So wie Synthie-Pop die 80er dominierte, abgelöst von Grunge und Britpop der 90er, erlebt künstliche Intelligenz die gleichen Popularitätswellen. In den 1980er Jahren dominierten wissensbasierte Systeme, die im folgenden Jahrzehnt durch Bayes'sche Netzwerke ersetzt wurden. Support Vector Machines waren in den 2000er Jahren beliebt, wobei neuronale Netze in diesem Jahrzehnt immer beliebter wurden.
Neuronale Netze waren nicht immer so beliebt. Sie erreichten in den 1960er Jahren ihren Höhepunkt und tauchten unter die Oberfläche, kehrten kurz in den 80er Jahren und dann wieder etwa 20 Jahre später zurück. Es gibt keinen Grund, warum die 2020er Jahre nicht neue Veränderungen in der Art und Weise mit sich bringen, wie wir KI nutzen. Bisher gibt es konkurrierende Ideen über die nächste Revolution, die sich durchsetzen soll; Was auch immer es ist, Deep Learning könnte für eine Weile aus dem Rampenlicht rücken.
