Kaya bang matuto ang AI nang walang datos?
Hindi ganap na makakatuto ang AI ngayon nang walang datos. Umaasa ang Machine Learning at Deep Learning sa datos upang makilala ang mga pattern, makabuo ng mga patakaran, at mapabuti ang pagganap. Kahit ang mga advanced na modelo, tulad ng GPTs o mga sistema ng Reinforcement Learning, ay nangangailangan pa rin ng input na datos o karanasan sa kapaligiran upang "matuto" at makagawa ng tumpak na prediksyon. Sa madaling salita, ang datos ang pinakamahalagang gasolina para lumago ang AI, at kung walang datos, hindi makakaunawa o makakagawa ng kapaki-pakinabang na desisyon ang AI.
Pag-unawa sa Ugnayan ng AI at Datos
Nagtatanong ka ba, "Kaya bang matuto ang AI nang mag-isa nang walang anumang datos?" Para makuha ang pinaka-detalyado at makatwirang sagot, tuklasin natin nang malalim ang paksang ito kasama ang INVIAI.
Halimbawa, sa supervised learning, natututo ang AI mula sa malalaking dataset na nilagyan ng label ng tao (mga larawan, teksto, audio, atbp.) upang makilala ang mga pattern.
Kahit sa unsupervised learning, kailangan pa rin ng AI ng hilaw na datos na walang label upang matuklasan ang mga nakatagong istruktura o pattern sa datos nang mag-isa.
Kaya, anuman ang pamamaraan, kailangang "pakainin" ang AI ng datos—mapa-labeled na datos, self-labeled na datos (self-supervised), o datos mula sa totoong mundo. Kung walang input na datos, hindi makakakuha ng bagong kaalaman ang sistema.
Mga Karaniwang Paraan ng Pagkatuto ng AI
Sa ngayon, pangunahing natututo ang mga modelo ng AI sa mga sumusunod na pamamaraan:
Supervised Learning
Unsupervised Learning
Self-Supervised Learning
Reinforcement Learning (RL)
Ang reinforcement learning ay pagtuturo sa isang software agent kung paano kumilos sa isang kapaligiran sa pamamagitan ng pagsasabi sa kanya ng mga resulta ng kanyang mga aksyon.
— Wikipedia
Federated Learning
Para sa sensitibong datos, tulad ng mga personal na medikal na larawan, pinapayagan ng Federated Learning ang maraming device (o organisasyon) na magtulungan sa pagsasanay ng isang shared na modelo nang hindi ibinabahagi ang hilaw na datos.
- Ipinapadala ang global na modelo sa bawat device
- Pagsasanay gamit ang lokal na datos lamang
- Ibinabahagi lamang ang mga update ng modelo pabalik
- Hindi kailanman lumalabas ang hilaw na datos mula sa device
Zero-Shot Learning
Kakayahan ng AI na maghinuha ng mga bagong konsepto nang walang partikular na halimbawa, umaasa sa malawak na kaalaman na nakuha na.
- Kinikilala ang mga hindi pa nakikitang konsepto
- Gumagamit ng naunang base ng kaalaman
- Pre-trained sa malalaking dataset
- Pinapayagan ang pangangatwiran tungkol sa mga bagong ideya
Isang modelo ng AI ang sinanay upang makilala o maklasipika ang mga bagay/konsepto na hindi pa nito nakita ang mga halimbawa noon.
— IBM, paglalarawan ng Zero-Shot Learning
Sa buod: Ipinapakita ng lahat ng pamamaraang ito na walang mahiwagang paraan para matuto ang AI nang walang datos—sa isang paraan o iba pa. Maaaring mabawasan ng AI ang pag-asa sa datos na nilagyan ng tao o matuto mula sa karanasan, ngunit hindi ito makakakuha ng kaalaman mula sa wala.
Mga Advanced na Uso: Pagkatuto mula sa "Karanasan" sa Halip na Static na Datos
Ngayon, pinag-aaralan ng mga mananaliksik ang mga paraan upang mabawasan ang pag-asa ng AI sa datos na ibinibigay ng tao. Halimbawa, kamakailan ay iminungkahi ng DeepMind ang isang "streams" model sa panahon ng "experience-based AI," kung saan pangunahing natututo ang AI mula sa sariling pakikipag-ugnayan sa mundo sa halip na mga problemang dinisenyo ng tao at mga tanong.
Makakamit natin ito sa pamamagitan ng pagpapahintulot sa mga agent na patuloy na matuto mula sa kanilang sariling mga karanasan—iyon ay, datos na nilikha ng agent mismo habang nakikipag-ugnayan sa kapaligiran… Ang karanasan ang magiging pangunahing paraan ng pagpapabuti, na hihigit sa kasalukuyang dami ng datos na ibinibigay ng tao.
— Pananaliksik ng DeepMind, binanggit ng VentureBeat
Sa madaling salita, sa hinaharap, ang AI mismo ang lilikha ng sariling datos sa pamamagitan ng eksperimento, pagmamasid, at pag-aayos ng mga aksyon—katulad ng paraan ng pagkatuto ng tao mula sa totoong karanasan.
Datos na Ibinibigay ng Tao
- Nangangailangan ng mga dataset na may label
- Nakasalalay sa kaalaman ng tao
- Limitado sa mga magagamit na halimbawa
- Static na paraan ng pagkatuto
Datos na Nililikha ng Sarili
- Lumikha ng sariling mga hamon
- Natututo mula sa feedback ng kapaligiran
- Patuloy na pagpapabuti
- Dynamic na paraan ng pagkatuto
Kahanga-hanga, kahit hindi gumagamit ng panlabas na training data, nakakamit ng AZR ang pinakamataas na pagganap sa mga gawain sa matematika at programming, na nalalampasan pa ang mga modelong sinanay sa sampu-sampung libong labeled na halimbawa. Ipinapakita nito na kaya ng AI na lumikha ng sariling "dataset" sa pamamagitan ng patuloy na pagtatanong at paglutas ng mga hamon.
Mga Autonomous Learning System
Bukod sa AZR, maraming iba pang pag-aaral ang sumusuri sa AI na natututo nang autonomously. Ang mga intelligent agent system ay maaaring makipag-ugnayan sa software at virtual na mundo upang makalikom ng experiential data.
- Pakikipag-ugnayan sa mga tool at website
- Pagkatuto mula sa simulation games
- Pag-set ng sariling mga layunin at gantimpala
- Pagbuo ng autonomous na mga gawi
Mga Pangunahing Punto
Sa halip, maaaring matuto ang AI nang mas kaunti mula sa datos na ibinibigay ng tao sa pamamagitan ng:
- Paggamit ng datos na walang label (unsupervised learning)
- Pagkatuto mula sa feedback ng kapaligiran (reinforcement learning)
- Paglikha ng sariling mga hamon (hal., ang modelong AZR)
Naniniwala ang maraming eksperto na sa hinaharap, lalong matututo ang AI mula sa karanasang nakakalap nito mismo, kaya ang karanasan ang magiging pangunahing "datos" na tumutulong sa pagpapabuti nito.
Comments 0
Leave a Comment
No comments yet. Be the first to comment!