Může se AI učit bez dat?

Porozumění vztahu AI k datům

Zajímáte se, "může se AI učit sama bez jakýchkoli dat?" Pro co nejpodrobnější a rozumnou odpověď si toto téma podrobněji probereme s INVIAI.

Například v učením pod dohledem se AI učí z obrovských datových sad, které lidé označili (obrázky, text, zvuk atd.), aby rozpoznala vzory.

I v učení bez dozoru AI stále potřebuje surová, neoznačená data, aby sama objevila skryté struktury nebo vzory v těchto datech.

Proto bez ohledu na metodu musí být AI „krmena“ daty – ať už označenými daty, samo-označenými daty (self-supervised) nebo daty z reálného prostředí. Bez vstupních dat se systém nemůže naučit nic nového.

Běžné metody učení AI

Dnes se AI modely primárně učí následujícími způsoby:

Posilované učení učí softwarového agenta, jak se chovat v prostředí tím, že mu sděluje výsledky jeho akcí.

— Wikipedia

AI model je trénován k rozpoznávání nebo klasifikaci objektů/konceptů, které nikdy předtím neviděl.

— IBM, definice Zero-Shot Learning

Shrnutí: Všechny tyto metody ukazují, že neexistuje žádný kouzelný způsob, jak se AI může učit bez dat – v nějaké formě je data vždy potřebuje. AI může snížit závislost na lidsky označených datech nebo se učit ze zkušeností, ale nemůže se učit z ničeho.

Populární metody učení AI

Pokročilé trendy: Učení z „zkušeností“ místo statických dat

Výzkumníci nyní zkoumají způsoby, jak aby AI méně závisela na datech poskytovaných lidmi. Například DeepMind nedávno navrhl model „streams“ v éře „AI založené na zkušenostech“, kde se AI učí primárně ze svých vlastních interakcí se světem místo z lidsky navržených problémů a otázek.

Toho můžeme dosáhnout tím, že agentům umožníme neustále se učit ze svých vlastních zkušeností – tedy dat generovaných agentem samotným při interakci s prostředím… Zkušenost se stane hlavním prostředkem zlepšování, překonávajícím dnešní rozsah dat poskytovaných lidmi.

— Výzkum DeepMind, citováno VentureBeat

Jinými slovy, v budoucnu si AI sama bude generovat svá vlastní data prostřednictvím experimentování, pozorování a úprav akcí – podobně jako se lidé učí ze zkušeností v reálném světě.

Je pozoruhodné, že i bez použití externích tréninkových dat dosahuje AZR špičkových výsledků v matematických a programovacích úlohách, dokonce překonává modely trénované na desetitisících označených příkladů. To dokazuje, že AI může generovat vlastní „datovou sadu“ tím, že si neustále klade a řeší výzvy.

Nejmodernější trend - učení z „zkušeností“ místo statických dat

Klíčové poznatky

Místo toho se AI může méně učit z dat dodaných lidmi tím, že:

• Využívá neoznačená data (učení bez dozoru)
• Učí se z odezvy prostředí (posilované učení)
• Vytváří si vlastní výzvy (např. model AZR)

Mnoho odborníků věří, že v budoucnu se AI bude stále více učit ze zkušeností, které sama sbírá, čímž se zkušenost stane hlavním „datem“, které jí pomáhá zlepšovat se.