Q:
Como redes profundas e teimosas desempenham um papel na evolução da IA?
UMA:Em face disso, redes profundas e teimosas simplesmente "adicionam funcionalidade" a uma construção tecnológica existente, a rede generativa de oposição (GAN), mas, na realidade, a recente evolução da rede teimosa profunda nos diz coisas fundamentais sobre como a IA pode evoluir para modelagem significativa da tomada de decisão humana.
A rede teimosa e profunda baseia-se na interação dentro do GAN de duas "entidades" da IA: o "gerador" e o "discriminador". O gerador "gera" conteúdo ou exemplos ou dados de teste ou o que você quiser chamar. O discriminador pega a entrada e a classifica ou toma decisões com base nela. Essas duas partes de uma rede profunda e teimosa são entidades independentes para os propósitos da pesquisa em IA, mas trabalham juntas.
É importante observar que a literatura pública disponível em redes profundas e teimosas é escassa, parecendo consistir em um pequeno conjunto de descrições comuns nas principais páginas de classificação do Google. Um dos mais autoritários, no KDNuggets, cita o uso de um "coeficiente Goodfellow", que não pode ser descoberto por si só por meio de uma pesquisa no Google. (Ian Goodfellow é um cientista da computação creditado com algumas das idéias fundamentais por trás de redes profundas e teimosas.)
No entanto, a idéia da rede teimosa profunda é explicada no KDNuggets e em outros lugares: a idéia básica é que o gerador pode "tentar enganar" o discriminador e que o discriminador pode se tornar "mais discriminativo" até que se torne, de certa forma, consciente em sua "dúvida" e não escolhe retornar resultados. Em seguida, ocorre um próximo passo importante: O programa, através de intervenção humana ou algoritmos, é "persuadido" a fornecer uma resposta.
Nesse modelo, começamos a ver a IA dando um passo enorme, desde a modelagem de dados ou a análise de conjuntos de treinamento, até a tomada dos tipos de decisões de alto nível que consideramos no domínio humano. Ao avaliar os padrões de "escolha" do discriminador de IA e os padrões de "escolha" de um ser humano, a peça do KDNuggets cita o "Paradoxo da Escolha", pioneiro em Barry Schwartz. Algumas postagens independentes do blog descrevem como a profunda rede teimosa está destacando comportamentos essencialmente humanos: J. Yakov Stern expõe as limitações atuais e o possível progresso em uma longa tabela de IVR, e Alexia Jolicoeur-Martineau revela alguns dos resultados recentes que as GANs podem produzir.
Portanto, em certo sentido, o principal impacto das redes teimosas profundas na IA é reorientar ou expandir a pesquisa além dos tipos de tomada de decisão que são facilmente aplicáveis à empresa e promover pesquisas inovadoras para tornar os computadores ainda mais parecidos com os humanos. Pode haver inúmeras aplicações dessa idéia na empresa, mas elas não são tão cortadas e secas quanto, por exemplo, a aplicação atual de algoritmos de aprendizado de máquina a mecanismos de recomendação do consumidor, ou o uso de processos inteligentes de ML em marketing. A pesquisa da DSN parece sugerir que podemos tornar as entidades de IA mais sencientes, o que acarreta uma grande quantidade de risco e recompensa.
