Om artificiella neurala nätverk (27/7)

Gofai förlorade mark inte bara för att forskningsanslagen minskade utan också för att den symboliska linjen utmanades av en inriktning som kallade sig för ”subsymbolisk” eller ”artificiella neurala nätverk” (ANN). Som hörs på namnet försökte forskare och tekniker efterlikna hjärnans sätt att arbeta. Signaler sprider sig i ett nätverk i hjärnan, när människan lär sig något bildas det vägar genom nätverket.  Så fort som några neuron stimuleras ungefär samtidigt, ”lär” sig organismen eller hjärnan att de hör ihop.

Så länge som nätverken var ”platta”, kom man inte så långt med det här arbetssättet. Men så småningom hittade man på att nätverken kunde göras tredimensionella, man åstadkom ”deep learning”. Nu är det här sättet att arbeta med maskininlärning gängse, nu kan man simulera en hel del av mänsklig inlärning i maskininlärningen.

Hur ”undervisas” då ANN? De presenteras en mängd data och ska ur dessa själva (eller med mänsklig hjälp) härleda ”mönster”. Det har behövts en mängd data och en mängd träning för att de ska lära sig något.  Med bra val av exempel och ett bra nätverk kan man minska mängden träning.

Vad är ANN bra för? Jag kommer tillbaka till tillämpningarna av AI senare, men så här långt kan jag säga att ANN är bra på mönsterigenkänning. Detta innebär att man kan använda ANN för att göra olika slags diagnoser som kräver att man ser vissa mönster, t.ex. cancerfläckar på hud eller TBC skador på lungor.

I boken ”När havet steg” presenterar jag litet av ANN i kapitlen 4 och 5.

Den stora skillnaden mot GOFAI som jag ser är att GOFAI arbetar med väldefinierade problem, medan ANN arbetar ”på känn”, dvs försöker härleda en regelbundenhet ur exempel. För mig ”känns” det som om ANN är mer riskfyllt, mindre kontrollerbart. 

Mina frågor:
Vilka är skillnaderna mellan GOFAI och ANN?
Vad tänker Nick Bostrom och Max Tegmark på för slags AI?
Vilket slags AI skulle du föredra?

 

Kommentera

E-postadressen publiceras inte. Obligatoriska fält är märkta *

Denna webbplats använder Akismet för att minska skräppost. Lär dig hur din kommentardata bearbetas.