Yann lecun membahas kekuatan, batasan pembelajaran yang mendalam

Pada sebuah lokakarya tentang AI dan Masa Depan Kerja awal bulan ini, Yann LeCun, Direktur Penelitian AI di Facebook dan Direktur Pendiri Pusat Ilmu Data NYU, berbicara tentang "kekuatan dan batas-batas pembelajaran yang mendalam." LeCun, yang memelopori jaringan saraf konvolusional yang merupakan jantung dari banyak kemajuan baru-baru ini dalam AI, sama-sama antusias dengan kemajuan yang telah dibuat lapangan dalam beberapa tahun terakhir dan realistis tentang apa yang dapat dan tidak bisa dilakukan oleh sistem seperti itu.

Ada beberapa gelombang AI, kata LeCun, dan mencatat bahwa sementara gelombang saat ini berfokus pada pembelajaran yang mendalam, apa yang akan datang adalah "persepsi, " dengan contoh terbesar adalah aplikasi seperti pencitraan medis dan mobil self-driving. Hampir semua aplikasi ini menggunakan pembelajaran terawasi dan sebagian besar menggunakan jaringan saraf convolutional, yang LeCun pertama kali gambarkan pada tahun 1989 dan yang pertama kali digunakan dalam pengenalan karakter di ATM pada tahun 1995. LeCun mengatakan bahwa paten pada jaringan tersebut berakhir pada tahun 2007.

Ini adalah kumpulan data besar dengan ukuran sampel besar serta peningkatan luar biasa dalam daya komputasi (dibantu oleh pekerjaan Geoffrey Hinton dalam mencari tahu cara menggunakan GPU untuk pengenalan gambar) yang telah menghasilkan perubahan paling besar dalam beberapa tahun terakhir. Bahkan untuk LeCun, kemajuan dalam pengenalan gambar telah "tidak kurang dari menakjubkan." Meskipun persepsi "benar-benar berhasil, " yang masih hilang adalah alasan.

LeCun berbicara tentang tiga jenis pendekatan, dan keterbatasan masing-masing. Pembelajaran penguatan membutuhkan sejumlah besar sampel. Ini bagus untuk permainan, karena sistem dapat menjalankan jutaan percobaan dan menjadi lebih baik dan lebih baik, tetapi sulit untuk digunakan di dunia nyata, karena Anda tidak ingin mengendarai mobil dari tebing 50 juta kali, misalnya, dan waktu nyata adalah faktor di dunia nyata.

Pembelajaran terawasi, yang sebagian besar dari apa yang kita lihat sekarang, membutuhkan umpan balik dalam jumlah sedang, dan bekerja dengan baik. Namun, pembelajaran mesin yang diawasi memiliki beberapa masalah. LeCun mengatakan sistem seperti itu mencerminkan bias dalam data, meskipun dia mengatakan dia optimis masalah ini dapat diatasi, dan percaya bahwa lebih mudah untuk menghapus bias dari mesin dibandingkan dengan orang. Tetapi juga sulit untuk memverifikasi sistem tersebut untuk keandalan dan sulit untuk menjelaskan keputusan yang dibuat berdasarkan output dari sistem tersebut, dan LeCun berbicara tentang aplikasi pinjaman sebagai contohnya.

Pembelajaran tanpa pengawasan atau prediksi, yang saat ini sedang diteliti untuk hal-hal seperti memprediksi bingkai masa depan dalam video, membutuhkan banyak umpan balik. Pembelajaran tanpa pengawasan melibatkan memprediksi masa lalu, sekarang, atau masa depan dari informasi apa pun yang tersedia, atau dengan kata lain, kemampuan untuk mengisi kekosongan, yang LeCun katakan secara efektif adalah apa yang kita sebut akal sehat. Dia mencatat bahwa bayi dapat melakukan ini, tetapi mendapatkan mesin untuk melakukannya sudah sangat sulit, dan berbicara tentang bagaimana para peneliti mengerjakan teknik seperti jaringan permusuhan generatif (GAN) untuk prediksi yang dibuat dalam kondisi yang tidak pasti. Kami jauh dari memiliki solusi lengkap, katanya.

LeCun berbicara tentang tiga jenis pembelajaran sebagai bagian dari kue: pembelajaran penguatan adalah cherry di atas, supervisi belajar icing, dan belajar prediksi adalah bagian utama dari kue.

LeCun memperkirakan AI akan mengubah cara hal dinilai, dengan barang yang dibuat oleh robot lebih murah dan pengalaman manusia otentik lebih mahal, dan mengatakan ini bisa berarti ada "masa depan yang cerah bagi musisi dan pengrajin jazz."

Secara keseluruhan, LeCun mengatakan AI adalah Teknologi Tujuan Umum (GPT) seperti mesin uap, listrik, atau komputer. Dengan demikian, itu akan mempengaruhi banyak bidang ekonomi, tetapi akan memakan waktu 10 atau 20 tahun sebelum kita melihat pengaruhnya terhadap produktivitas. LeCun mengatakan AI akan mengarah pada penggantian pekerjaan, tetapi mencatat bahwa penyebaran teknologi dibatasi oleh seberapa cepat pekerja dapat melatihnya.

Adapun "revolusi AI sejati, " LeCun mengatakan bahwa ini tidak akan terjadi sampai mesin mendapatkan akal sehat, dan menentukan prinsip-prinsip untuk membangun ini mungkin memerlukan dua, lima, dua puluh, atau lebih tahun; lebih dari itu, perlu waktu bertahun-tahun untuk mengembangkan teknologi AI praktis berdasarkan prinsip-prinsip tersebut. Bagaimanapun, ia mencatat, butuh waktu dua puluh tahun untuk jaring konvolusional menjadi penting. Dan itu semua didasarkan pada asumsi bahwa prinsip-prinsip itu sederhana; itu menjadi jauh lebih rumit jika "kecerdasan adalah kludge."