少吓人和更令人兴奋的比你可能认为我们一直生活在新版本的机器学习一段时间认知的形式帮助工具。解释清楚,例如Gmail的建议回复现在显示训练,学习系统。但是让我们跳过序言,直接进入人类哈尔的好东西等待us.-Editor

图片由马库斯Spiske在Unsplash

作者:哈尔格林沃尔德

机器学习描述了软件开发技术,使计算机软件学习,可以这么说,从例子和观察。大多数软件不学习;软件工程师指定软件应该做什么,它总是以同样的方式回应相同的输入。机器学习软件调整它自己的行为根据接收到的输入,使更少的错误和适应新的条件。软件工程师有机器学习技术应用于广泛的领域需要适应性行为包括欺诈检测、垃圾邮件过滤、自动驾驶汽车,医疗建议。斜方的工程师和科学家使用机器学习,使我们的政府赞助来增强国家安全,检测欺诈等犯罪活动,防止威胁我们的国家基础设施,和开发更多的自主技术。

机器学习是如何工作的呢?

有多种机器学习方法,但基本思想是软件作出决定或预测基于可用的输入,然后找出如何这样做可以将结果合并到未来决策或预测。它是如何知道它做了吗?有时有一个明确的答案或奖励信号,揭示了决定或预测是否正确;在其他情况下,该算法试图优化数学函数的结果描述的质量结果,集群相关的数据组,或识别统计的模式。

通常,机器学习算法包含一个“神经网络”的数据结构使用值执行计算,或重量,与网络内的连接(米切尔,1997)。一个算法调整权重根据其性能、加强联系,导致正确的结果和削弱的连接产生错误,而这些变化影响算法的未来行为。更复杂的网络可以执行更复杂的任务,但是增加了复杂性需要更大的处理能力和内存。幸运的是,增加计算资源已经成为更有效和更便宜的,还有更大的可用性大,标签的训练数据集,使得科学家们所说的深度学习学习网络技术,利用更大的执行更复杂的任务比以往任何时候都为文本、语音、图像和视频处理(LeCun (Bengio, &辛顿,2015)。因此,机器学习算法变得更能干,司空见惯。

机器学习算法学习喜欢人类吗?

机器学习与大脑科学(心理学、认知科学和神经科学)当然互相影响(Kumanan斯,位于& Botvinick, 2017)。对神经功能的基本想法计算机科学家如何设计神经网络的影响,虽然他们的机制是非常简单的生物神经网络相比,我们目前的理解。另外,机器学习技术使更复杂的神经和生理信号的分析。然而,人类和计算机学习非常不同。虽然电脑是更好地识别复杂的数据集的统计规律,人类从更少的例子,学习任务之间的知识转移更容易,更容易适应变化的环境和环境。如果机器学习算法在这些方面更类似于人类,他们将更有能力(Greenwald & Oertel, 2017)。斜方目前正在开发一个cognitive-neuroscience-inspired新颖的机器学习方法的框架。

转移和一次性学习学习

燃烧你的手曾经在炉子通常是足以让您避免重复行为和避免接触其他热对象像烤炉和烤架。然而,机器学习算法通常需要大量的特定于任务的训练例子,他们学习通常不会转移到相关的情况。人类一生的知识获取帮助我们识别特性,定义和区分类别。建立一个共同的知识是不够的,有必要识别任务之间的相似之处和确定哪些信息是相关的。多任务学习模型学习多个任务同时比等效模型,学习孤立的单个任务,但知识转移到小说的任务仍然是一个挑战。

持续学习

机器学习算法通常有单独的培训和测试阶段的学习任务和评估他们的表现,而人类学习似乎是一个连续的、异步的过程,继续一个人的一生。理由停止学习它避免了错误造成过度拟合训练数据,这发生在一个算法学习特性具体训练的例子,和它的风险最小化学习不正确的信息(例如,Twitter用户教微软的泰chatbot让无情的政治言论;价格,2016)。然而,停止学习防止机器学习算法时总是精炼他们轻松学习和适应环境变化。DARPA的终身学习机器的计划,该计划将在今年晚些时候开始,将基金研究持续学习和学习转移到创建新算法,适应不断变化的环境和学习信息应用到新的任务(美国国防部高级研究计划局,2017)。

解释和可解释性

两个相关的批评很多机器学习算法,他们表示(例如,在神经网络权重)的模式对于人类来说都是不容易的解释,没有解释或理由预测和决策。解释和依据是人类如何评价判断和决策的基础,是必要的信心和信任的机器学习算法。

机器学习算法的内部表示对人类不需要直接的解释,但相关负责逻辑推理和推理算法应该能够使用学到的信息和因果关系也不需要访问原始的训练数据。同时,是很有帮助的,如果这些内部表征提供了深入了解学习算法达到他们的结论。DARPA的可辩解的人工智能程序正在调查这些话题(美国国防部高级研究计划局,2016)。

接下来是什么?

机器学习近年来先进显著,尤其是深学习算法提供的复杂性。我们希望看到更多的从脑科学的影响;作为科学家了解更多关于生物机制对学习和认知的其他方面,包括机器学习人工智能技术将纳入关键原则。我们也希望机器学习算法成熟来处理不断增加的销售量增长的数据,使智能汽车和房屋。

来源

美国国防部高级研究计划局。(2016)。可辩解的人工智能(新品)公告。从https://www.darpa.mil/attachments/darpa获取baa - 16 - 53. - pdf

美国国防部高级研究计划局。(2017)。终身学习机器(L2M)公告。从https://www.fbo.gov/spg/ODA/DARPA/CMO/HR001117S0016/listing.html获取

格林沃尔德,h·S。,& Oertel, C. K. (2017). Future Directions in Machine Learning.机器人和人工智能前沿,3(79),1 - 7。

哈萨比斯,D。,Kumanan, D., Summerfield, C., & Botvinick, M. (2017). Neuroscience-Inspired Artificial Intelligence.神经元,95,245 - 258。

LeCun (Y。,Bengio, Y., & Hinton, G. (2015). Deep learning.自然,521,436 - 444。

米切尔,t m (1997)。机器学习。纽约:WCB麦格劳-希尔。

价格,r .(2016年3月24日)。微软删除其人工智能聊天机器人非常种族主义tweet。检索从http://www.businessinsider.com/microsoft -删除-种族歧视种族灭绝的tweet -从人工智能聊天机器人-茶- 2016 - 3

哈尔格林沃尔德是铅神经学家斜方公司与政府机构工作的主题在知觉和认知和神经科学和认知科manbetx客户端首页学和人工智能的交集。他拥有一个博士学位从罗切斯特大学大脑和认知科学。

©2017斜方manbetx客户端首页公司。保留所有权利。批准的公开发布。无限的分布。箱号17 - 3665。

manbetx客户端首页主教法冠公司是一个非盈利性组织,设有研发中心由联邦政府。了解更多主教法冠。