Logo

Ограничения машинного обучения

Сегодня искусственным интеллектом никого не уди­вить. Нас пов­сю­ду ок­ру­жа­ют ис­кус­ст­вен­ные ней­ро­се­ти, в домах стоят «ум­ные» те­ле­ви­зо­ры и мы все поль­зу­ем­ся по­ис­ком в ин­тер­не­те. Хотя, как мы уже пи­са­ли в статье про ис­кус­ст­вен­ные ней­ро­ны, это всё лишь ими­та­ция ис­кус­ст­вен­но­го ин­тел­лек­та. А раз­ра­бот­ка нас­то­я­ще­го ис­кус­ст­вен­но­го разума нуж­да­ет­ся в прин­ци­пи­аль­но ином под­хо­де. Тем не ме­нее, ог­ра­ни­че­ния ма­шин­но­го обу­че­ния видны уже се­год­ня [1]. Что, в тоже вре­мя, не оз­на­ча­ет не­це­ле­со­об­раз­нос­ти ис­поль­зо­ва­ния или раз­ви­тия сов­ре­мен­ных ней­рон­ных сетей. Прос­то ма­те­ма­ти­кам удалось по­ка­зать спра­вед­ли­вость те­о­ре­мы Гё­де­ля о не­пол­но­те и для ма­шин­но­го обу­че­ния.

ОГРАНИЧЕНИЯ МАШИННОГО ОБУЧЕНИЯ

Суть теоремы Гёделя заключается в том, что су­щест­ву­ет прин­ци­пи­аль­ное ог­ра­ни­че­ние фор­маль­ной ариф­ме­ти­ки. Вслед­с­т­вие чего су­щест­ву­ет и прин­ци­пи­аль­ное ог­ра­ни­че­ние воз­мож­нос­ти ре­ше­ния любой задачи в фор­маль­ной сис­те­ме, в ко­то­рой можно оп­ре­де­лить ос­нов­ные ариф­ме­ти­чес­кие по­ня­тия: на­ту­раль­ные числа, 0, 1, сло­же­ние и ум­но­же­ние. Пос­коль­ку любая такая сис­те­ма яв­ля­ет­ся не­пол­ной или про­ти­во­ре­чи­вой. По­э­то­му не­ко­то­рые ре­ше­ния воз­мож­но дать, только выйдя за пре­де­лы этой сис­те­мы. Нап­ри­мер, как в слу­чае с ак­си­о­мой не пе­ре­се­че­ния двух пря­мых. Ко­то­рую не­воз­мож­но ре­шить в эв­к­ли­до­вой гео­мет­рии. Из чего Ло­ба­чев­с­кий сделал вы­вод, что мы жи­вём в прост­ранст­ве с не­эв­кли­до­вой гео­мет­рий. Что поз­же и легло в ос­но­ву те­о­рии от­но­си­тель­нос­ти Эйн­штей­на.

В случае с машинным обучением всё тоже самое. Пос­коль­ку сам прин­цип ма­шин­но­го обу­че­ния зак­лю­ча­ет­ся в пос­то­ян­ной тре­ни­ров­ке на при­ме­ре ка­ких-то баз. Ввиду чего ком­пью­тер учится под­би­рать на­и­бо­лее ре­ле­вант­ные ответы. Нап­ри­мер, при срав­не­нии фо­то­гра­фий, или под­бо­ра рек­ла­мы на сайте, либо вы­да­че по клю­че­во­му слову в по­ис­ко­вой сис­те­ме. Но, как ока­за­лось, любые от­ве­ты ней­рон­ной сети не иде­аль­ны. Пос­коль­ку силь­но за­ви­сят от вы­бор­ки, на ко­то­рой она тре­ни­ру­ет­ся. Поэтому, нап­ри­мер, нель­зя сказать со 100% уве­рен­нос­тью, что сле­ду­ю­щий по­се­ти­тель сайта уви­дит именно ту рек­ла­му, ко­то­рая была бы для него на­и­бо­лее ин­те­рес­на. Что обус­лов­ле­но тем, что он мо­жет, как по­па­дать в ту вы­бор­ку, на ко­то­рой тре­ни­ро­ва­лась ней­рон­ная сеть, так и вы­па­дать из неё.

Виды нейронных сетей

НЕЙРОСЕТИ

Источники

[1] nature.com/articles/s42256-018-0002-3

[свернуть]

1 Звезда2 Звезды3 Звезды4 Звезды5 Звезд
Загрузка...

avatar
  Подпишись!  
Уведомлять
Вставить формулу как
Блок
Строка
Дополнительные настройки
Цвет формулы
Цвет текста
#333333
Используйте LaTeX для набора формулы
Предпросмотр
\({}\)
Формула не набрана
Вставить