Matematika devetnaestog stoljeća može znanstvenicima omogućiti obilazak umjetne inteligencije 21. stoljeća.
Recimo da imate vrhunski gadget koji može razbiti svaki sef na svijetu - ali nemate pojma kako radi. Što radiš? Mogli biste uzeti mnogo stariji alat za razbijanje sefova - možda pouzdanu polugu. Mogli biste koristiti tu polugu da otvorite svoj gadget, zavirite u njegovu unutrašnjost i pokušate ga obrnutim inženjeringom. Kako to već biva, to je ono što su znanstvenici upravo učinili s matematikom.
Istraživači su ispitali duboku neuronsku mrežu — jednu vrstu umjetne inteligencije, vrstu koja je ozloglašena zagonetan iznutra—s uhodanom vrstom matematičke analize koju su fizičari i inženjeri koristili za desetljeća. Istraživači Objavljeno njihove rezultate u časopisu PNAS Nexus 23. siječnja. Njihovi rezultati upućuju na to da njihova umjetna inteligencija radi mnoge iste izračune koje su ljudi već dugo sami radili.
Autori rada obično koriste duboke neuronske mreže za predviđanje ekstremnih vremenskih događaja ili za druge klimatske primjene. Dok bolje lokalne prognoze mogu pomoći ljudima da zakažu datume parkova, predviđanje vjetra i oblaka također može pomoći operaterima obnovljivih izvora energije da planiraju što će staviti u mrežu u nadolazećim satima.
"Radimo na ovom području već neko vrijeme i otkrili smo da su neuronske mreže stvarno moćne u radu s ovakvim sustavima", kaže Pedram Hassanzadeh, inženjer strojarstva sa Sveučilišta Rice u Teksasu i jedan od autora studije.
Danas meteorolozi često rade ovu vrstu prognoze s modelima za koje su potrebna behemotska superračunala. Duboke neuronske mreže trebaju puno manje procesorske snage za obavljanje istih zadataka. Lako je zamisliti budućnost u kojoj bilo tko može pokrenuti te modele na prijenosnom računalu na terenu.
[Povezano: Disney je izgradio neuronsku mrežu koja automatski mijenja dob glumca]
AI dolazi u mnogim oblicima; duboke neuronske mreže samo su jedna od njih, iako vrlo važna. Neuronska mreža ima tri dijela. Recimo da izgradite neuronsku mrežu koja identificira životinju prema njezinoj slici. Prvi dio bi mogao prevesti sliku u podatke; srednji dio može analizirati podatke; a završni dio bi mogao usporediti podatke s popisom životinja i dati najbolje rezultate.
Ono što duboku neuronsku mrežu čini "dubokom" je to što njeni tvorci proširuju taj središnji dio u daleko zamršeniju aferu, koja se sastoji od više slojeva. Na primjer, svaki sloj duboke mreže za promatranje slike može analizirati uzastopce složenije dijelove slike.
Ta složenost čini duboke neuronske mreže vrlo moćnima i one su potaknule mnoge od AI-jevih impresivnijih pothvata u posljednje vrijeme. Jedna od njihovih prvih sposobnosti, prije više od deset godina, bila je prepisivanje ljudskog govora u riječi. U kasnijim godinama, jesu obojene slike, praćene financijske prijevare, i dizajnirane molekule lijeka. I, kao što je Hassanzadehova grupa pokazala, oni mogu predvidjeti vrijeme i prognozirati klimu.
[Povezano: Zamolili smo neuronsku mrežu da nam ispeče tortu. Rezultati su bili...zanimljivi.]
Problem je za mnoge znanstvenike taj što nitko zapravo ne može vidjeti što mreža radi, zbog načina na koji su te mreže napravljene. Oni treniraju mrežu dodjeljujući joj zadatak i unoseći joj podatke. Kako novorođena mreža probavlja više podataka, prilagođava se kako bi bolje obavljala taj zadatak. Krajnji rezultat je "crna kutija", alat čija je utroba toliko zbrkana da je čak ni njezini vlastiti tvorci ne mogu u potpunosti razumjeti.
Stručnjaci za umjetnu inteligenciju posvetili su nebrojene sate svojih života kako bi pronašli bolje načine za promatranje samih svojih kreacija. To je već teško učiniti s jednostavnom mrežom za prepoznavanje slike. Još je teže razumjeti duboku neuronsku mrežu koja krcka sustav poput Zemljine klime, koji se sastoji od bezbrojnih pokretnih dijelova.
Ipak, nagrade su vrijedne truda. Ako znanstvenici znaju kako funkcionira njihova neuronska mreža, ne samo da mogu znati više o vlastitim alatima, već mogu razmišljati o tome kako prilagoditi te alate za druge svrhe. Mogli bi izraditi modele za prognozu vremena, na primjer, koji bolje funkcioniraju u svijetu s više ugljičnog dioksida u zraku.
Dakle, Hassanzadeh i njegovi kolege imali su ideju primijeniti Fourierovu analizu - metodu koja je desetljećima uredno stajala u kutijama s alatima fizičara i matematičara - na svoju umjetnu inteligenciju. Zamislite Fourierovu analizu kao čin prevođenja. Krajnji jezik predstavlja skup podataka kao zbroj manjih funkcija. Zatim možete primijeniti određene filtre kako biste izbrisali dijelove tog zbroja, omogućujući vam da vidite uzorke
Kako se dogodilo, njihov je pokušaj bio uspješan. Hassanzadeh i njegovi kolege otkrili su da je ono što njihova neuronska mreža radi u biti kombinacija istih filtara koje bi koristili mnogi znanstvenici.
"Ovo bolje povezuje unutarnji rad neuronske mreže sa stvarima koje su fizičari i primijenjeni matematičari radili posljednjih nekoliko desetljeća", kaže Hassanzadeh.
Ako su on i njegovi kolege u pravu u vezi s radom koji su upravo objavili, onda to znači da jesu otvorio - lagano - nešto što bi se moglo činiti kao magija s pajserom izrađenom od matematike za koju su znanstvenici radili više od jednog stoljeća.
