یان لیکن نے طاقت ، گہری سیکھنے کی حدود پر تبادلہ خیال کیا

اس ماہ کے شروع میں اے آئی اور مستقبل کے کام سے متعلق ایک ورکشاپ میں ، فیس بک میں اے آئی ریسرچ کے ڈائریکٹر اور ڈی وائی سائنس سینٹر برائے ڈیٹا سائنس کے بانی ڈائریکٹر ، یان لیکن نے "طاقت اور گہری تعلیم کی حدود" کے بارے میں بات کی۔ لی کن ، جو تعلقی اعصابی نیٹ ورکس کی راہنمائی کرتے ہیں جو AI میں حالیہ بہت ساری پیشرفتوں کے دل میں ہیں ، حالیہ برسوں میں اس فیلڈ نے جو پیشرفت کی ہے اس پر اور وہ حقیقت پسندانہ ہے کہ اس طرح کے سسٹم کیا کرسکتے ہیں اور کیا نہیں کرسکتے ہیں۔

لی کین نے کہا ، اے آئی کی متعدد لہریں رہی ہیں ، اور اس نے نوٹ کیا کہ موجودہ لہر نے گہری سیکھنے پر توجہ مرکوز کی ہے ، لیکن جو آنے والا ہے وہ "خیال" ہے ، جس کی سب سے بڑی مثال میڈیکل امیجنگ اور سیلف ڈرائیونگ کاروں جیسی ایپلی کیشنز ہیں۔ ان میں سے تقریبا applications تمام ایپلی کیشنز زیر نگرانی سیکھنے کو ملازمت دیتی ہیں اور زیادہ تر مجازی عصبی نیٹ ورک استعمال کرتی ہیں ، جسے پہلی مرتبہ سن 1989 میں بیان کیا گیا تھا اور جو 1995 میں اے ٹی ایم میں پہلا کردار کی پہچان میں تعینات کیا گیا تھا۔ لیکن نے کہا کہ ایسے نیٹ ورکس پر پیٹنٹ کی میعاد 2007 میں ختم ہوگئی تھی۔

یہ بڑے نمونوں کے سائز کے ساتھ ساتھ کمپیوٹنگ پاور میں زبردست اضافے کے ساتھ بڑے اعداد و شمار کا سیٹ ہے (جیفری ہنٹن کے جی پی یو کو تصویر کی شناخت کے لئے کس طرح استعمال کرنے کا اندازہ لگایا گیا ہے) جس کے نتیجے میں حالیہ برسوں میں سب سے زیادہ تبدیلی آئی ہے۔ یہاں تک کہ لیکن کے لئے بھی ، امیج کی پہچان میں ہونے والی پیشرفت "حیرت انگیز سے کم نہیں" رہی ہے۔ اگرچہ تاثر "واقعی کام کرتا ہے" ، لیکن جو ابھی بھی کھو رہا ہے وہ استدلال ہے۔

لی کن نے تین طرح کے نقطہ نظر ، اور ان میں سے ہر ایک کی حدود کے بارے میں بات کی۔ کمک سیکھنے کیلئے نمونے کی ایک بڑی تعداد کی ضرورت ہے۔ یہ کھیلوں کے لئے بہت اچھا ہے ، کیوں کہ یہ نظام لاکھوں آزمائشیں چلا سکتا ہے اور بہتر سے بہتر ہوسکتا ہے ، لیکن حقیقی دنیا میں اس کا استعمال کرنا مشکل ہے ، کیوں کہ آپ 50 ملین بار پہاڑ سے کار نہیں چلانا چاہتے ہیں ، اور اصل وقت حقیقی دنیا کا ایک عنصر ہوتا ہے۔

زیر نگرانی سیکھنے ، جو اب ہم دیکھتے ہیں اس میں سے زیادہ تر کے لئے ، درمیانی مقدار میں آراء کی ضرورت ہوتی ہے ، اور وہ اچھی طرح سے کام کر رہا ہے۔ تاہم ، نگرانی میں مشین سیکھنے میں کچھ مسائل ہیں۔ لیکن نے کہا کہ اس طرح کے نظام اعداد و شمار میں تعصب کی عکاسی کرتے ہیں ، اگرچہ ان کا کہنا ہے کہ وہ پرامید ہیں کہ اس مسئلے پر قابو پایا جاسکتا ہے ، اور ان کا خیال ہے کہ لوگوں کے مقابلہ میں مشینوں سے تعصب کو دور کرنا آسان ہے۔ لیکن اس طرح کے سسٹم کی توثیق کرنا اور ان سسٹموں سے حاصل شدہ نتائج کی بنیاد پر کیے گئے فیصلوں کی وضاحت کرنا مشکل ہے ، اور اس کی مثال کے طور پر لیکن نے قرض کی درخواستوں کے بارے میں بات کی۔

غیر نگرانی یا پیش گوئی کرنے والا سیکھنے ، جو فی الحال کسی ویڈیو میں مستقبل کے فریموں کی پیش گوئ کرنے جیسی چیزوں کے لئے تحقیق کی جارہی ہے ، کو بہت زیادہ رائے کی ضرورت ہے۔ غیرسرواج سیکھنے میں ماضی ، حال اور مستقبل کی پیش گوئی کرنا شامل ہے جو بھی معلومات دستیاب ہے ، یا دوسرے لفظوں میں ، خالی جگہوں کو بھرنے کی صلاحیت ، جسے لیکن نے کہا ہے وہی موثر ہے جسے ہم عام فہم کہتے ہیں۔ انہوں نے نوٹ کیا کہ بچے یہ کام کرسکتے ہیں ، لیکن اس کے ل getting مشینوں کا حصول بہت مشکل رہا ہے ، اور اس بارے میں بات کی گئی کہ محققین غیر یقینی صورتحال میں پیش گوئی کے ل gene جنریٹری ایڈورواوریل نیٹ ورک (جی اے این) جیسی تکنیک پر کام کر رہے ہیں۔ انہوں نے کہا کہ ہم مکمل حل سے دور ہیں۔

LeCun نے کیک کے حص partsوں کی طرح سیکھنے کی تین اقسام کے بارے میں بات کی: کمک سیکھنے سب سے اوپر کی چیری ہے ، نگرانی سیکھنا آئسک ہے ، اور پیش گوئی کرنا سیکھنا کیک کا بنیادی حصہ ہے۔

لیکن نے پیش گوئی کی کہ اے آئی چیزوں کی قدر کیسے کرے گی ، روبوٹ کے ذریعہ تیار کردہ سامانوں پر کم قیمت اور مستند انسانی تجربات کی لاگت آئے گی ، اور کہا کہ اس کا مطلب ہوسکتا ہے کہ "جاز میوزک اور کاریگروں کے لئے روشن مستقبل ہے۔"

مجموعی طور پر ، لیکن نے کہا کہ اے آئی ایک عمومی مقصد ٹیکنالوجی ہے (جی پی ٹی) جیسے بھاپ انجن ، بجلی ، یا کمپیوٹر۔ اس طرح ، یہ معیشت کے بہت سے شعبوں کو متاثر کرے گا ، لیکن اس سے 10 یا 20 سال لگیں گے اس سے پہلے کہ ہمیں پیداواری صلاحیت پر اثر پڑے۔ لیکن نے کہا کہ اے آئی ملازمت کی تبدیلی کا باعث بنے گی ، لیکن اس نے بتایا کہ ٹیکنالوجی کی تعیناتی اس وجہ سے محدود ہے کہ کارکن اس کے لئے روزہ کس طرح سے حاصل کرسکتے ہیں۔

جہاں تک "سچے عی انقلاب کے بارے میں" ، لیکن نے کہا ہے کہ یہ تب تک نہیں ہوگا جب تک مشینیں عقل مند نہیں ہوجائیں گی ، اور اس کی تشکیل کے اصولوں کو طے کرنے میں دو ، پانچ ، بیس یا زیادہ سال لگ سکتے ہیں۔ اس سے آگے ، پھر ان اصولوں پر مبنی عملی AI ٹیکنالوجی تیار کرنے میں سالوں لگیں گے۔ بہر حال ، انہوں نے نوٹ کیا ، کاروباری جال کو اہم بننے میں بیس سال لگے۔ اور یہ سب اس مفروضے پر مبنی ہے کہ اصول آسان ہیں۔ یہ بہت زیادہ پیچیدہ ہو جاتا ہے اگر "انٹیلیجنس کلڈج ہے۔"