Никто бы, наверное, не удивился, увидев слона в саванне или тарелку на кухне. Основываясь на предыдущем опыте и знаниях, человек знает, что именно там часто можно найти слонов и тарелки. А если бы на кухне появился таинственный предмет, как можно понять, что это такое? Каждый будет полагаться на свои ожидания или предварительные знания. Может ли компьютер подходить к проблеме таким же образом?
В издании TechXplore рассказывается, как американский профессор лаборатории Колд-Спринг-Харбор Парта Митра описал рассмотрение подобной проблемы в машинном интеллекте. Он надеется, что его идеи помогут исследователям научить компьютеры более эффективно анализировать сложные системы.
Митра считает, что это поможет понять природу знания. С математической точки зрения, многие исследователи данных пытаются создать модель, которая может “подогнать слона” или набор сложных точек данных. Митра просит исследователей рассмотреть, какие философские рамки лучше всего подходят для конкретной задачи машинного обучения: “В философских смысле идея заключается в том, что существуют две крайности. Одну можно назвать “рационалистической”, а другую – “эмпирической” точкой зрения. И речь пойдет о роли предшествующих знаний или предварительных предположений.”
Рационалист смотрит на мир сквозь призму предшествующего знания. Он ожидает, что тарелка будет на кухне, а слон в саванне.
Эмпирик анализирует данные именно так, как они представлены. Когда он находится в саванне, он не больше ожидают увидеть слона, чем тарелку.
Если бы рационалист наткнулся на этот набор данных на кухне, он мог бы сначала склониться к тому, чтобы рассматривать их как тарелку, потому что предварительные знания утверждают, что тарелка, скорее всего, будет найдена на кухне; очень маловероятно, что он найдет слона. Он никогда не видел такой ситуации раньше и никогда не знал, что такая ситуация может произойти. Хотя его результат принимает определенное количество данных, он оставляет без внимания другие части. В этом случае его методы дали неверный результат: тарелку.
Когда эмпирик видит те же самые данные, он анализирует их независимо от того, находятся ли они в саванне или на кухне. Он будет собирать изображение из как можно большего количества точек данных. В этом случае его результатом является неровное изображение.
Ни эмпирик, ни рационалист не ошибаются. Оба подхода работают для различных типов проблем. Однако в этом случае, если на кухне есть слон, стоит разобраться с ним как можно быстрее. Лучше всего было бы найти золотую середину между чисто эмпирическим и чисто рационалистическим подходами. Имея некоторые предварительные знания о том, как выглядит слон, вы можете заметить его хобот и ноги. И хотя вероятность появления слона на вашей кухне невелика, это, конечно, невозможно. Таким образом, вы придете к выводу, что на вашей кухне действительно есть слон, и вам, вероятно, следует быстро уйти.
Специалисты по обработке данных постоянно сталкиваются с подобными проблемами. Они обучают компьютеры распознавать новые объекты или паттерны. Некоторые программы машинного обучения могут обрабатывать много информации и создавать множество правил, чтобы соответствовать представленным данным, например, неровное изображение. Неровное изображение может быть воспроизводимым, если те же правила применяются к другому аналогичному набору данных. Но только потому, что паттерн воспроизводим, это не значит, что он точно отражает то, что происходит (слон).
Митра предупреждает: “если вы хотите быть крайним эмпириком, вам действительно нужно много данных. Теперь мы понимаем, почему при определенных обстоятельствах такой подход может быть действительно успешным в математически строгих условиях. Биологический мозг, с другой стороны, находится где-то посередине. Вы действительно учитесь на собственном опыте, но не полностью ориентируетесь на данные.”
Митра надеется, что специалисты по обработке данных будут искать вдохновение в мозговых схемах при разработке подходов к машинному обучению следующего поколения. Мозг позвоночных имеет контуры различных размеров, в том числе и средних (мезомасштабных). Эти схемы кодируются с помощью приоров (известной информации, например, как выглядят животные, где они находятся или как быстро убежать от заряжающего слона). В то же время ваш мозг очень гибок, классифицируя новую информацию и взвешивая важность различных приоров на основе опыта – слоны могут не принадлежать к кухне – но так или иначе, они все равно есть.
Профессор заключает: “Это указывает на возможность нового поколения интеллектуальных машин, основанных на архитектуре распределенных цепей, которые включают более сильные приоры, возможно, опираясь на мезомасштабную архитектуру цепей мозга позвоночных.”
