Czy sztuczna inteligencja może się uczyć bez danych?
Dzisiejsza sztuczna inteligencja nie może uczyć się całkowicie bez danych. Uczenie maszynowe i głębokie opierają się na danych, aby rozpoznawać wzorce, wyprowadzać reguły i poprawiać wydajność. Nawet zaawansowane modele, takie jak GPT czy systemy uczenia ze wzmocnieniem, nadal potrzebują danych wejściowych lub doświadczenia środowiskowego, aby „uczyć się” i dokonywać trafnych prognoz. Innymi słowy, dane są najważniejszym paliwem dla rozwoju SI, a bez danych SI nie może rozumieć ani podejmować użytecznych decyzji.
Zrozumienie relacji SI z danymi
Zastanawiasz się, "Czy sztuczna inteligencja może uczyć się sama bez żadnych danych?" Aby uzyskać najbardziej szczegółową i rozsądną odpowiedź, przyjrzyjmy się temu tematowi dogłębnie z INVIAI.
Na przykład w uczeniu nadzorowanym SI uczy się na ogromnych zbiorach danych oznaczonych przez ludzi (obrazy, tekst, dźwięk itp.), aby rozpoznawać wzorce.
Nawet w uczeniu nienadzorowanym SI nadal potrzebuje surowych, nieoznaczonych danych, aby samodzielnie odkrywać ukryte struktury lub wzorce w tych danych.
Dlatego niezależnie od metody, SI musi być „karmiona” danymi — czy to danymi oznaczonymi, samodzielnie oznaczanymi (uczenie samonadzorowane) czy danymi ze środowisk rzeczywistych. Bez żadnych danych wejściowych system nie może nauczyć się niczego nowego.
Popularne metody uczenia SI
Obecnie modele SI uczą się głównie za pomocą następujących podejść:
Uczenie nadzorowane
Uczenie nienadzorowane
Uczenie samonadzorowane
Uczenie ze wzmocnieniem (RL)
Uczenie ze wzmocnieniem to nauka agenta programowego, jak zachowywać się w środowisku, informując go o wynikach jego działań.
— Wikipedia
Uczenie federacyjne
Dla danych wrażliwych, takich jak osobiste obrazy medyczne, uczenie federacyjne pozwala wielu urządzeniom (lub organizacjom) wspólnie trenować wspólny model bez udostępniania surowych danych.
- Globalny model wysyłany do każdego urządzenia
- Trening tylko na lokalnych danych
- Udostępnianie tylko aktualizacji modelu
- Surowe dane nigdy nie opuszczają urządzenia
Uczenie zero-shot
Zdolność SI do wnioskowania nowych pojęć bez konkretnych przykładów, opierając się na wcześniej zdobytej szerokiej wiedzy.
- Rozpoznaje nieznane pojęcia
- Wykorzystuje bazę wcześniejszej wiedzy
- Wstępnie wytrenowany na ogromnych zbiorach danych
- Umożliwia rozumowanie o nowych ideach
Model SI jest trenowany, aby rozpoznawać lub klasyfikować obiekty/pojęcia, których nigdy wcześniej nie widział na przykładach.
— IBM, definicja uczenia zero-shot
Podsumowując: Wszystkie te metody pokazują, że nie ma magicznego sposobu, aby SI uczyła się bez danych — w jakiejkolwiek formie. SI może zmniejszyć zależność od danych oznaczonych przez ludzi lub uczyć się z doświadczenia, ale nie może uczyć się z niczego.
Zaawansowane trendy: uczenie się z „doświadczenia” zamiast statycznych danych
Naukowcy obecnie badają sposoby, aby SI mniej polegała na danych dostarczanych przez ludzi. Na przykład DeepMind niedawno zaproponował model „streams” w erze „SI opartej na doświadczeniu”, gdzie SI uczy się głównie z własnych interakcji ze światem, a nie z problemów i pytań zaprojektowanych przez ludzi.
Możemy to osiągnąć, pozwalając agentom na ciągłe uczenie się z własnych doświadczeń — czyli danych generowanych przez samego agenta podczas interakcji ze środowiskiem… Doświadczenie stanie się głównym środkiem doskonalenia, przewyższając dzisiejszą skalę danych dostarczanych przez ludzi.
— Badania DeepMind, cytowane przez VentureBeat
Innymi słowy, w przyszłości SI sama będzie generować własne dane poprzez eksperymentowanie, obserwację i dostosowywanie działań — podobnie jak ludzie uczą się z doświadczenia w rzeczywistym świecie.
Dane dostarczone przez człowieka
- Wymaga oznaczonych zbiorów danych
- Zależy od ludzkiej wiedzy eksperckiej
- Ograniczona przez dostępne przykłady
- Statyczne podejście do uczenia
Dane generowane samodzielnie
- Tworzy własne wyzwania
- Uczy się na podstawie informacji zwrotnej ze środowiska
- Ciągłe doskonalenie
- Dynamiczne podejście do uczenia
Co ciekawe, mimo braku zewnętrznych danych treningowych, AZR osiąga najwyższe wyniki w zadaniach matematycznych i programistycznych, przewyższając modele trenowane na dziesiątkach tysięcy oznaczonych przykładów. Pokazuje to, że SI może generować własny „zbiór danych” poprzez ciągłe stawianie i rozwiązywanie wyzwań.
Autonomiczne systemy uczące się
Poza AZR wiele innych badań eksploruje SI, która uczy się autonomicznie. Inteligentne systemy agentów mogą wchodzić w interakcje z oprogramowaniem i wirtualnymi światami, aby gromadzić dane doświadczeniowe.
- Interakcja z narzędziami i stronami internetowymi
- Nauka z gier symulacyjnych
- Samoustalanie celów i nagród
- Rozwijanie autonomicznych nawyków
Kluczowe wnioski
Zamiast tego SI może uczyć się mniej z danych dostarczanych przez ludzi poprzez:
- Wykorzystanie danych nieoznaczonych (uczenie nienadzorowane)
- Naukę na podstawie informacji zwrotnej ze środowiska (uczenie ze wzmocnieniem)
- Tworzenie własnych wyzwań (np. model AZR)
Wielu ekspertów uważa, że w przyszłości SI będzie coraz częściej uczyć się poprzez doświadczenie, które sama zbiera, czyniąc doświadczenie głównym „danym” pomagającym w doskonaleniu.
