ইয়ান লেকুন শক্তি, গভীর শিক্ষার সীমা নিয়ে আলোচনা করেছেন

এ মাসের শুরুতে এআই এবং ভবিষ্যতের কাজের উপর একটি কর্মশালায়, ফেসবুকের এআই গবেষণা পরিচালক এবং এনওয়াইইউ সেন্টার ফর ডেটা সায়েন্সের প্রতিষ্ঠাতা পরিচালক, ইয়ান লেকান "শক্তি এবং গভীর শিক্ষার সীমা" সম্পর্কে কথা বলেছেন। এআই-তে সাম্প্রতিক অগ্রযাত্রার কেন্দ্রবিন্দুতে অবস্থিত কনভ্যুশনাল নিউরাল নেটওয়ার্কগুলির নেতৃত্বদানকারী লেকুন সাম্প্রতিক বছরগুলিতে এই ক্ষেত্রটি যে অগ্রগতি করেছে এবং উভয়ই এই জাতীয় সিস্টেমগুলি কী করতে পারে এবং কী করতে পারে না সে সম্পর্কে বাস্তববাদী ছিল both

লেকুন বলেছিলেন যে এআইয়ের একাধিক তরঙ্গ হয়েছে, এবং উল্লেখ করেছেন যে বর্তমান তরঙ্গ গভীর শিক্ষার দিকে মনোনিবেশ করেছে, তবে যা ঘটবে তা হচ্ছে "উপলব্ধি", যার মধ্যে সবচেয়ে বড় উদাহরণগুলি রয়েছে মেডিকেল ইমেজিং এবং স্ব-ড্রাইভিং গাড়িগুলির মতো অ্যাপ্লিকেশন। প্রায় সমস্ত অ্যাপ্লিকেশন তত্ত্বাবধানে শেখার নিয়োগ দেয় এবং বেশিরভাগ কনভ্যুসিভাল নিউরাল নেটওয়ার্ক ব্যবহার করে যা লেকুন প্রথমটি 1989 সালে বর্ণনা করেছিল এবং যা 1995 সালে এটিএমগুলিতে চরিত্র স্বীকৃতিতে প্রথম মোতায়েন করা হয়েছিল। লেকান বলেছিলেন যে এই জাতীয় নেটওয়ার্কগুলির পেটেন্ট 2007 সালে শেষ হয়েছিল।

এটি বড় আকারের নমুনা মাপের সাথে বড় ডেটা সেটগুলির পাশাপাশি কম্পিউটিং পাওয়ারে অবিচ্ছিন্ন বৃদ্ধি (চিত্রের স্বীকৃতি হিসাবে জিপিইউগুলি কীভাবে ব্যবহার করতে হবে তা জেফ্রি হিন্টনের কাজ দ্বারা সহায়তা করে) যা সাম্প্রতিক বছরগুলিতে সর্বাধিক পরিবর্তন ঘটেছে। এমনকি লেকুনের জন্যও চিত্র স্বীকৃতিতে যে অগ্রগতি হয়েছে তা "অবাক হওয়ার চেয়ে কম কিছু নয়"। যদিও উপলব্ধি "সত্যই কাজ করে", যা এখনও অনুপস্থিত তা যুক্তিযুক্ত।

লেকুন তিনটি ভিন্ন ধরণের পদ্ধতির এবং তাদের প্রত্যেকটির সীমাবদ্ধতা সম্পর্কে কথা বলেছেন। শক্তিবৃদ্ধি শেখার জন্য প্রচুর নমুনা প্রয়োজন। গেমসের জন্য এটি দুর্দান্ত, কারণ সিস্টেমটি কয়েক মিলিয়ন ট্রায়াল চালাতে পারে এবং আরও ভাল এবং আরও ভাল হতে পারে তবে বাস্তব বিশ্বের ব্যবহার করা কঠিন, কারণ আপনি 50 মিলিয়ন বার একটি ক্লিফ থেকে গাড়ি চালাতে চান না, এবং বাস্তব সময় আসল বিশ্বের একটি ফ্যাক্টর।

তত্ত্বাবধানে পড়াশুনা, যা আমরা এখন যা দেখি তার বেশিরভাগ ক্ষেত্রেই মাঝারি পরিমাণে প্রতিক্রিয়া প্রয়োজন এবং এটি ভালভাবে কাজ করছে। তবে তদারকি করা মেশিন লার্নিংয়ে কিছু সমস্যা রয়েছে। লেকন বলেছিলেন যে এই ধরনের সিস্টেমগুলি উপাত্তগুলিতে বায়াসকে প্রতিবিম্বিত করে, যদিও তিনি বলেছিলেন যে তিনি আশাবাদী যে এই সমস্যাটি কাটিয়ে উঠতে পারে এবং তিনি বিশ্বাস করেন যে মানুষের তুলনায় মেশিনগুলি থেকে পক্ষপাতদুষ্ট করা সহজ। তবে নির্ভরযোগ্যতার জন্য এ জাতীয় সিস্টেমগুলি যাচাই করাও শক্ত এবং এই জাতীয় সিস্টেমগুলির ফলাফলগুলির ভিত্তিতে নেওয়া সিদ্ধান্তগুলি ব্যাখ্যা করা কঠিন এবং লেকুন loanণ প্রয়োগের বিষয়ে এর উদাহরণ হিসাবে কথা বলেছেন।

আনসুপভাইজড বা ভবিষ্যদ্বাণীমূলক শিক্ষণ, যা বর্তমানে কোনও ভিডিওতে ভবিষ্যতের ফ্রেমের পূর্বাভাস দেওয়ার মতো জিনিসগুলির জন্য গবেষণা করা হচ্ছে, তার প্রচুর প্রতিক্রিয়া প্রয়োজন। নিরীক্ষণযোগ্য শিক্ষার মধ্যে যা কিছু তথ্য পাওয়া যায় তার থেকে অতীত, বর্তমান এবং ভবিষ্যতের ভবিষ্যদ্বাণী করা জড়িত, বা অন্য কথায় শূন্যস্থান পূরণ করার ক্ষমতা, যা লেকান বলেছিলেন কার্যকরভাবে তাকে আমরা সাধারণ জ্ঞান বলে থাকি। তিনি উল্লেখ করেছিলেন যে বাচ্চারা এটি করতে পারে তবে এটি করার জন্য মেশিন পাওয়া খুব কঠিন ছিল এবং অনিশ্চিত পরিস্থিতিতে ভবিষ্যদ্বাণী করার জন্য গবেষকরা কীভাবে জেনারেটাল অ্যাডভারসিয়াল নেটওয়ার্ক (জিএএনএস) এর মতো কৌশল নিয়ে কাজ করছেন তা নিয়ে কথা বলেছেন। তিনি বলেন, আমরা সম্পূর্ণ সমাধান থেকে দূরে রয়েছি।

লেকন তিন ধরণের শেখার বিষয়ে একটি কেকের অংশের মতো বলেছিলেন: রিইনফোর্সমেন্ট লার্নিং শীর্ষে চেরি, তদারকি করা আইসিং শেখা, এবং ভবিষ্যদ্বাণীমূলক শেখা হ'ল কেকের মূল অংশ।

লেকন ভবিষ্যদ্বাণী করেছিল যে এআই কীভাবে মূল্যবান হবেন তা পরিবর্তিত করবে, রোবট দ্বারা নির্মিত পণ্যগুলির জন্য কম দামের এবং খাঁটি মানব অভিজ্ঞতার জন্য আরও বেশি ব্যয় হবে, এবং বলেছে এর অর্থ "জাজ সংগীত শিল্পী ও কারিগরদের একটি উজ্জ্বল ভবিষ্যত" হতে পারে।

সামগ্রিকভাবে, লেকন বলেছিলেন যে এআই স্টিম ইঞ্জিন, বিদ্যুৎ বা কম্পিউটারের মতো একটি সাধারণ উদ্দেশ্য প্রযুক্তি (জিপিটি)। এর ফলে এটি অর্থনীতির অনেকগুলি ক্ষেত্রকে প্রভাবিত করবে, তবে আমরা উত্পাদনশীলতার উপর প্রভাব দেখতে 10 বা 20 বছর সময় নেবে। লেকুন বলেছিলেন, এআই চাকরি প্রতিস্থাপনে নেতৃত্ব দেবে, তবে উল্লেখ করেছেন যে কীভাবে দ্রুত শ্রমিকরা এর জন্য প্রশিক্ষণ নিতে পারে তার মাধ্যমে প্রযুক্তির স্থাপনা সীমাবদ্ধ।

একটি "সত্য এআই বিপ্লব হিসাবে, " লেকন বলেছিলেন যে মেশিনগুলি সাধারণ জ্ঞান অর্জন না করে এবং এটি তৈরির মূলনীতিগুলি নির্ধারণ করতে দুই, পাঁচ, বিশ বা তার বেশি বছর সময় লাগতে পারে; এর বাইরে, তখন এই নীতিগুলির উপর ভিত্তি করে ব্যবহারিক এআই প্রযুক্তি বিকাশ করতে কয়েক বছর সময় লাগবে। সর্বোপরি তিনি উল্লেখ করেছিলেন, কনভলশনাল জালগুলি গুরুত্বপূর্ণ হয়ে উঠতে বিশ বছর সময় লেগেছিল। এবং এগুলি সমস্তই মূলত নীতিগুলি সহজ বলে এই ধারণার উপর ভিত্তি করে; এটি আরও জটিল হয়ে ওঠে যদি "বুদ্ধি ক্লডজ"।