2012 m. „Google“ paskelbė apie pusiau slaptas laboratorijas, kuriose vykdyta milžiniška trijų milijonų neuronų simuliacija, išmokusi paveikslėliuose atpažinti žmones ir kates. Svarbu, kad tai vyko be žmonių intervencijos, o tiesiog „dirbtinėms smegenims“ žiūrint stop kadrus, padarytus „Youtube“.
Specialistai, vykdę šį projektą, subūrė tyrėjų grupę, pavadintą „Google Brain“. Tokia giliojo mąstymo („deep learning“) sėkmė paskatino daugelį verslininkų visame pasaulyje investuoti į dirbtinio intelekto projektus. O kai kurie ekspertai net ėmė prognozuoti, kad greitai bus sukurta sistema, pralenksianti žmogaus smegenų pajėgumus.
Tačiau dirbtinio intelekto sistemos susiduria su viena esmine bėda: dar nesukurta programinė įranga, kuri veiktų be žmogaus įsikišimo. Tai ir yra pagrindinis limitas tokioms sistemos tobulėti, rašo technologyreview.com.
Minėtame „Google“ eksperimente buvo naudojamas vadinamasis neprižiūrimojo mokymosi metodas, kai programinei įrangai „sušeriami“ neapdoroti duomenys, kad ji pati juos vienaip ar kitaip apdorotų. Ir nors „Google“ simuliacija išmoko atpažinti kates ir žmonių veidus, ji nebuvo tokia tiksli, kaip reikėtų.
„Jeigu norime, kad programinė įranga pati tobulėtų, neprižiūrimojo mokymosi modelis tikrai bus naudojamas, tačiau reikia sugalvoti, kaip jį patobulinti. Pažiūrėkite, kaip mokosi žmonės“, – tikina Jeffas Deanas iš „Google Brain“ projekto.
„Tik geriau perkandę neprižiūrimąjį mokymąsi, pagaliau pajudėsime iš vietos. […] Panašu, kad jau turime ingredientus, tačiau dar nežinome, kaip juos tiksliai panaudoti. Tai gali užtrukti“, – sako Yannas LeCunas iš „Facebook Artificial Intelligence Research Group“.
Nors aiškaus atsakymo, kaip tai padaryti, dar nėra, geriausios pasaulio kompanijos pasitelkė daug resursų šiai spragai užpildyti.
Kol bandymų atliekama daug, surasti neprižiūrimojo mokymosi modelio, kuris veiktų panašiai, kaip žmogaus smegenys, kol kas dar nepavyko. „Panašu, kad dabar kažkur „pražiūrime“ esminę idėją, kaip tai turėtų veikti“, – sako Adamas Coatesas iš „Baidu’s Silicon Valley AI Lab“.
Tačiau, anot A. Coateso, prižiūrimojo mokymosi modelio nurašyti dar neverta. Jis gali labai pasitarnauti, ieškant tobulesnių būdų.