Ερ:
Πώς τα βαθιά πεισματικά δίκτυα παίζουν ρόλο στην εξέλιξη της ΑΠ;
ΕΝΑ:Στην πραγματικότητα, η πρόσφατη εξέλιξη του βαθιά πεισματάρου δικτύου μας λέει τα βασικά πράγματα για το πώς μπορεί να εξελιχθεί η ΑΠ προς την κατεύθυνση της εξάπλωσης, σημαντική μοντελοποίηση της ανθρώπινης λήψης αποφάσεων.
Το βαθειά πεισματικό δίκτυο στηρίζεται στην αλληλεπίδραση εντός του GAN δύο οντοτήτων του AI: της "γεννήτριας" και του "διακριτικού". Η γεννήτρια "δημιουργεί" περιεχόμενο ή παραδείγματα ή δεδομένα δοκιμών ή ό, τι επιλέγετε να την ονομάσετε. Ο διακρίτης παίρνει την εισροή και το ταξινομεί ή παίρνει αποφάσεις που βασίζονται σε αυτό. Αυτά τα δύο τμήματα ενός βαθιά πεισματικού δικτύου είναι ανεξάρτητες οντότητες για τους σκοπούς της έρευνας ΑΙ, αλλά συνεργάζονται.
Είναι σημαντικό να σημειωθεί ότι η διαθέσιμη δημόσια βιβλιογραφία σχετικά με βαθιά πεισματάρια δίκτυα είναι περιορισμένη, φαίνεται ότι αποτελείται από ένα μικρό σύνολο κοινών περιγραφών στις κορυφαίες σελίδες κατάταξης της Google. Ένα από τα πιο έγκυρα, στο KDNuggets, αναφέρει τη χρήση ενός "συντελεστή Goodfellow", ο οποίος είναι αναξιόπιστος μόνος του μέσω μιας αναζήτησης Google. (Ο Ian Goodfellow είναι ένας επιστήμονας υπολογιστών που πιστώνεται με μερικές από τις θεμελιώδεις ιδέες πίσω από τα βαθιά πεισματάρια δίκτυα.)
Ωστόσο, η ιδέα για το βαθύ πεισματικό δίκτυο εξηγείται στα KDNuggets και αλλού: η βασική ιδέα είναι ότι η γεννήτρια μπορεί να "προσπαθήσει να εξαπατήσει" τον διακριτικό και ότι ο διακριτικός μπορεί να γίνει "πιο διακριτικός" έως ότου γίνει, κατά κάποιο τρόπο, αισθανόμενος στην «αυτο-αμφιβολία» του και δεν επιλέγει να επιστρέψει αποτελέσματα. Στη συνέχεια, ένα σημαντικό επόμενο βήμα συμβαίνει: Το πρόγραμμα, είτε μέσω της ανθρώπινης παρέμβασης είτε μέσω αλγορίθμων, είναι "ομοαξονικό" για να δώσει μια απάντηση.
Σε αυτό το μοντέλο, αρχίζουμε να βλέπουμε το AI να κάνει ένα τεράστιο βήμα, από απλή μοντελοποίηση δεδομένων ή συνόλων εκπαιδευτικών σετ, για να κάνουμε πραγματικά τις αποφάσεις υψηλού επιπέδου που θεωρούμε ότι ανήκουν στον ανθρώπινο τομέα. Κατά την αξιολόγηση τόσο των προτύπων "επιλογής" του διακριτικού και του τρόπου "επιλογής" ενός ανθρώπου, το κομμάτι του KDNuggets αναφέρει το "Paradox of Choice" που πρωτοστάτησε ο Barry Schwartz. Ορισμένες ανεξάρτητες δημοσιεύσεις blog περιγράφουν πώς το βαθύ πεισματικό δίκτυο επισημαίνει ουσιαστικά τις ανθρώπινες συμπεριφορές: Ο J. Yakov Stern εξηγεί τους τρέχοντες περιορισμούς και την πιθανή πρόοδο σε μια μακρά στρώση στο IVR και η Alexia Jolicoeur-Martineau αποκαλύπτει μερικά από τα πρόσφατα αποτελέσματα που μπορούν να παράγουν τα GAN.
Έτσι, κατά κάποιον τρόπο, ο πρωταρχικός αντίκτυπος των βαθιά πεισματικών δικτύων στο AI είναι να αναπροσανατολιστεί ή να διευρυνθεί η έρευνα πέρα από τα είδη λήψης αποφάσεων που είναι εύκολα εφαρμόσιμα στην επιχείρηση και να προωθηθεί πρωτοποριακή έρευνα προς την κατεύθυνση της δημιουργίας ηλεκτρονικών υπολογιστών ακόμη περισσότερο σαν τους ανθρώπους. Θα μπορούσαν να υπάρξουν οποιεσδήποτε εφαρμογές αυτής της ιδέας στην επιχείρηση, αλλά δεν είναι τόσο κομμένες όσο και αποξηραμένες, όπως η τρέχουσα εφαρμογή αλγορίθμων μηχανικής μάθησης σε μηχανές συστάσεων καταναλωτών ή η χρήση έξυπνων διαδικασιών ML στο μάρκετινγκ. Η έρευνα του DSN φαίνεται να υποδηλώνει ότι μπορούμε να κάνουμε τις οντότητες του AI πιο αισθαντικές, γεγονός που συνεπάγεται μεγάλο κίνδυνο και ανταμοιβή.
