D:
In che modo le reti ostinate profonde svolgono un ruolo nell'evoluzione dell'IA?
UN:A prima vista, le reti ostinate profonde semplicemente "aggiungono funzionalità" a un costrutto tecnologico esistente, la rete generativa contraddittoria (GAN), ma in realtà la recente evoluzione della rete ostinata profonda ci dice cose fondamentali su come l'IA può evolvere verso significativa modellizzazione del processo decisionale umano.
La profonda rete testarda si basa sull'interazione all'interno della GAN di due "entità" AI: il "generatore" e il "discriminatore". Il generatore "genera" contenuti o esempi o dati di test o qualunque cosa tu scelga di chiamarlo. Il discriminatore prende l'input e lo ordina o prende le decisioni in base ad esso. Queste due parti di una rete testarda profonda sono entità indipendenti ai fini della ricerca sull'IA, ma lavorano insieme.
È importante notare che la letteratura pubblica disponibile su reti ostinate profonde è scarsa e sembra consistere in una piccola serie di descrizioni comuni nelle prime pagine di ranking di Google. Uno dei più autorevoli, su KDNuggets, cita l'uso di un "coefficiente Goodfellow" che è impossibile da scoprire attraverso una ricerca su Google. (Ian Goodfellow è un informatico accreditato con alcune delle idee fondamentali alla base di reti testarde profonde.)
Tuttavia, l'idea della rete testarda profonda è spiegata su KDNuggets e altrove: l'idea di base è che il generatore può "provare a ingannare" il discriminatore e che il discriminatore può essere reso "più discriminatorio" fino a quando non diventa, in un certo senso, senziente nella sua "insicurezza" e non sceglie di restituire risultati. Quindi, si verifica un'importante fase successiva: il programma, attraverso l'intervento umano o algoritmi, viene "persuaso" a fornire una risposta.
In questo modello, iniziamo a vedere l'IA fare un passo enorme, dalla semplice modellazione dei dati o dall'analisi dei set di addestramento, a prendere effettivamente i tipi di decisioni di alto livello che pensiamo siano nel dominio umano. Nel valutare sia i modelli di "scelta" del discriminatore di intelligenza artificiale che i modelli di "scelta" di un essere umano, il pezzo di KDNuggets cita il "Paradosso della scelta", aperto da Barry Schwartz. Alcuni post di blog indipendenti descrivono come la profonda rete testarda sta mettendo in luce comportamenti essenzialmente umani: J. Yakov Stern espone le attuali limitazioni e i possibili progressi in un lungo massimale su IVR e Alexia Jolicoeur-Martineau rivela alcuni dei recenti risultati che i GAN possono produrre.
Quindi, in un certo senso, l'impatto primario di reti testarde profonde sull'intelligenza artificiale è di riorientare o espandere la ricerca oltre i tipi di processi decisionali che sono facilmente applicabili all'impresa e di promuovere ricerche rivoluzionarie per rendere i computer ancora più simili agli umani. Potrebbero esserci un numero qualsiasi di applicazioni di questa idea per l'impresa, ma non sono così secche come l'attuale applicazione degli algoritmi di machine learning sui motori di raccomandazione dei consumatori o l'uso di processi ML intelligenti nel marketing. La ricerca di DSN sembra suggerire che possiamo rendere le entità AI più senzienti, il che comporta una buona dose di rischio, oltre che una ricompensa.
