זאָגן דיין קעצל וואָס איר טראַכטן ין - די שוואַרץ קעסטל ווירקונג
צופרידן
דער פאַקט אַז אַוואַנסירטע אַי אַלגערידאַמז זענען ווי אַ שוואַרץ קעסטל (1) וואָס ווארפט ער אַוועק אַ רעזולטאַט אָן ריווילינג ווי עס געקומען צו זאָרג עטלעכע און יבערקערן אנדערע.
אין 2015, אַ פאָרשונג מאַנשאַפֿט אין בארג סיני האָספּיטאַל אין ניו יארק איז געווען געבעטן צו נוצן דעם אופֿן צו אַנאַלייז אַ ברייט דאַטאַבייס פון היגע פּאַטיענץ (2). די ריזיק זאַמלונג כּולל אַן אָקעאַן פון פּאַציענט אינפֿאָרמאַציע, פּראָבע רעזולטאַטן, דאָקטער ס רעצעפּט און מער.
ססיענטיסץ גערופן די אַנאַליסיס פּראָגראַם דעוועלאָפּעד אין די לויף פון די אַרבעט. עס טריינד אויף דאַטן פון וועגן 700 מענטשן. מענטש, און ווען טעסטעד אין נייַע רעגיסטריז, עס איז פּראָווען צו זיין גאָר עפעקטיוו אין פּרידיקטינג קרענק. אן די הילף פון מענטשליכע עקספערטן, האט ער אנטדעקט מוסטערן אין שפיטאל רעקארדס וועלכע ווייזן אויף וועלכע פאציענט איז אויפן וועג צו א קראנקהייט, ווי למשל לעבער קענסער. לויט צו עקספּערץ, די פּראָגנאָסטיק און דיאַגנאָסטיק עפעקטיווקייַט פון די סיסטעם איז געווען פיל העכער ווי אַז פון קיין אנדערע באקאנט מעטהאָדס.
2. מעדיציניש קינסטלעך סייכל סיסטעם באזירט אויף פּאַציענט דאַטאַבייסיז
אין דער זעלביקער צייט, די ריסערטשערז באמערקט אַז עס אַרבעט אויף אַ מיסטעריעז וועג. עס פארקערט אויס, פֿאַר בייַשפּיל, אַז עס איז ידעאַל פֿאַר דערקענונג פון גייַסטיק דיסאָרדערסאַזאַ ווי סטשיזאָפרעניאַ, וואָס איז גאָר שווער פֿאַר דאקטוירים. דאָס איז געווען חידוש, ספּעציעל זינט קיינער האט קיין געדאַנק ווי די אַי סיסטעם קען זען גייַסטיק קראַנקייַט אַזוי געזונט באזירט בלויז אויף די מעדיציניש רעקאָרדס פון די פּאַציענט. יאָ, די ספּעשאַלאַסץ זענען זייער צופרידן מיט די הילף פון אַזאַ אַ עפעקטיוו מאַשין דיאַגנאָסטיק, אָבער זיי וואָלט זיין פיל מער צופֿרידן אויב זיי פֿאַרשטיין ווי די אַי קומט צו זיין קאַנקלוזשאַנז.
לייַערס פון קינסטלעך נוראַנז
פון די אָנהייב, דאָס הייסט, פון דעם מאָמענט וואָס דער באַגריף פון קינסטלעך סייכל איז געווען באקאנט, עס זענען געווען צוויי פונט פון מיינונג אויף אַי. דער ערשטער סאַגדזשעסטיד אַז עס וואָלט זיין רובֿ גלייַך צו בויען מאשינען וואָס סיבה אין לויט מיט באקאנט פּרינציפּן און מענטש לאָגיק, מאכן זייער ינער ווערקינגז טראַנספּעראַנט צו אַלעמען. אנדערע האבן געגלויבט אַז סייכל וואָלט אַרויסקומען גרינגער אויב מאשינען געלערנט דורך אָבסערוואַציע און ריפּיטיד יקספּעראַמאַנטיישאַן.
די יענער מיטל ריווערסינג טיפּיש קאָמפּיוטער פּראָגראַממינג. אַנשטאָט פון די פּראָגראַמיסט שרייבן קאַמאַנדז צו סאָלווע אַ פּראָבלעם, די פּראָגראַם דזשענערייץ אייגענע אַלגערידאַם באזירט אויף מוסטער דאַטן און דער געוואלט רעזולטאַט. מאַשין לערנען מעטהאָדס וואָס שפּעטער יוואַלווד אין די מערסט שטאַרק אַי סיסטעמען באַוווסט הייַנט, האָבן פּונקט דורכגעגאנגען די וועג פון, אין פאַקט, די מאַשין זיך מגילה.
דער צוגאַנג איז געבליבן אויף די מאַרדזשאַנז פון אַי סיסטעמען פאָרשונג אין די 60 ס און 70 ס. בלויז אין די אָנהייב פון די פריערדיקע יאָרצענדלינג, נאָך עטלעכע פּייאַנירינג ענדערונגען און ימפּרווומאַנץ, "טיף" נעוראַל נעטוואָרקס אנגעהויבן צו באַווייַזן אַ ראַדיקאַל פֿאַרבעסערונג אין די קייפּאַבילאַטיז פון אָטאַמייטיד מערקונג.
טיף מאַשין לערנען האט ענדאַוד קאָמפּיוטערס מיט ויסערגעוויינלעך אַבילאַטיז, אַזאַ ווי די פיייקייט צו דערקענען גערעדט ווערטער כּמעט ווי אַקיעראַטלי ווי אַ מענטש. דאָס איז צו קאָמפּליצירט אַ בקיעס צו פּראָגראַם פאָרויס פון צייט. די מאשין מוז קענען מאכן אן אייגענעם "פראגראם" דורך טריינינג אויף ריזיק דאַטאַסעץ.
טיף לערנען האט אויך געביטן קאָמפּיוטער בילד דערקענונג און זייער ימפּרוווד די קוואַליטעט פון מאַשין איבערזעצונג. הייַנט, עס איז געניצט צו מאַכן אַלע סאָרץ פון שליסל דיסיזשאַנז אין מעדיצין, פינאַנצן, מאַנופאַקטורינג, און מער.
אָבער, מיט אַלע דעם איר קענט נישט נאָר קוקן אין אַ טיף נעוראַל נעץ צו זען ווי "ין" אַרבעט. נעץ ריזאַנינג פּראַסעסאַז זענען עמבעדיד אין די נאַטור פון טויזנטער פון סימיאַלייטיד נוראַנז, אָרגאַניזירט אין דאַזאַנז אָדער אפילו הונדערטער פון ינטראַקאַטלי ינטערקאַנעקטיד לייַערס..
יעדער פון די נוראַנז אין דער ערשטער שיכטע באקומט אַ אַרייַנשרייַב, אַזאַ ווי די ינטענסיטי פון אַ פּיקסעל אין אַ בילד, און דעמאָלט פּערפאָרמז חשבונות איידער די רעזולטאַט. זיי זענען טראַנסמיטטעד אין אַ קאָמפּלעקס נעץ צו די נוראַנז פון דער ווייַטער שיכטע - און אַזוי אויף, ביז די לעצט רעזולטאַט סיגנאַל. אין אַדישאַן, עס איז אַ פּראָצעס באקאנט ווי אַדזשאַסטינג די חשבונות דורכגעקאָכט דורך יחיד נוראַנז אַזוי אַז די טריינינג נעץ טראגט די געוואלט רעזולטאַט.
אין אַ אָפט-סייטאַד ביישפּיל שייַכות צו הונט בילד דערקענונג, די נידעריקער לעוועלס פון אַי אַנאַלייז פּשוט קעראַקטעריסטיקס אַזאַ ווי פאָרעם אָדער קאָליר. די העכער אָנעס האַנדלען מיט מער קאָמפּליצירט ישוז ווי פוטער אָדער אויגן. בלויז די שפּיץ שיכטע ברענגט עס אַלע צוזאַמען, און ידענטיפיצירן די פול גאַנג פון אינפֿאָרמאַציע ווי אַ הונט.
דער זעלביקער צוגאַנג קענען זיין געווענדט צו אנדערע טייפּס פון אַרייַנשרייַב וואָס מאַכט די מאַשין צו לערנען זיך: סאָונדס וואָס מאַכן ווערטער אין רייד, אותיות און ווערטער וואָס מאַכן זאצן אין געשריבן טעקסט, אָדער אַ סטירינג ראָד, פֿאַר בייַשפּיל. מווומאַנץ נייטיק צו פאָר אַ פאָרמיטל.
דער אויטאָ שפּירט גאָרנישט.
עס איז געמאכט אַ פּרווון צו דערקלערן וואָס פּונקט כאַפּאַנז אין אַזאַ סיסטעמען. אין 2015, ריסערטשערז ביי Google מאַדאַפייד אַ טיף לערנען בילד דערקענונג אַלגערידאַם אַזוי אַז אַנשטאָט פון זען אַבדזשעקץ אין פאָטאָס, עס דזשענערייטאַד אָדער מאַדאַפייד זיי. דורך לויפן די אַלגערידאַם צוריק, זיי געוואלט צו אַנטדעקן די קעראַקטעריסטיקס וואָס די פּראָגראַם ניצט צו דערקענען, זאָגן, אַ פויגל אָדער אַ בנין.
די יקספּעראַמאַנץ, באקאנט עפנטלעך ווי דער טיטל, געשאפן אַמייזינג דיפּיקשאַנז פון (3) גראָוטעסק, טשודנע אַנימאַלס, לאַנדסקייפּס און אותיות. דורך אַנטדעקן עטלעכע פון די סיקריץ פון מאַשין מערקונג, אַזאַ ווי די פאַקט אַז זיכער פּאַטערנז זענען ריפּיטידלי אומגעקערט און ריפּיטיד, זיי אויך געוויזן ווי טיף מאַשין לערנען איז אַנדערש פון מענטש מערקונג - למשל, אין דעם זינען אַז עס יקספּאַנדז און דופּליקאַט אַרטאַפאַקץ וואָס מיר איגנאָרירן אין אונדזער פּראָצעס פון מערקונג אָן טראכטן . .
3. בילד באשאפן אין די פּרויעקט
דורך די וועג, אויף די אנדערע האַנט, די יקספּעראַמאַנץ האָבן אַנראַוואַלד די מיסטעריע פון אונדזער אייגן קאַגניטיוו מעקאַניזאַמז. טאָמער עס איז אין אונדזער מערקונג אַז עס זענען פאַרשידן ינגקאַמפּראַכענסיבאַל קאַמפּאָונאַנץ וואָס מאַכן אונדז מיד פֿאַרשטיין און איגנאָרירן עפּעס, בשעת די מאַשין געדולדיק ריפּיץ זייַן יטעריישאַנז אויף "אַנימפּאָרטאַנט" אַבדזשעקץ.
אנדערע טעסץ און שטודיום זענען דורכגעקאָכט אין אַ פּרווון צו "פאַרשטייען" די מאַשין. דזשייסאַן יאָסינסקי ער האָט געשאַפֿן אַ געצייג, וואָס פֿירט זיך ווי אַ זאָנד וואָס איז סטאַק אין דעם מוח, טאַרגעטירט אויף יעדן קינסטלעכן נעוראָן און זוכן דעם בילד וואָס אַקטאַווייץ עס שטאַרק. אין די לעצטע עקספּערימענט, אַבסטראַקט בילדער ארויס ווי אַ רעזולטאַט פון "פּיפּינג" די נעץ רעד-קאָלנער, וואָס געמאכט די פּראַסעסאַז גענומען אָרט אין די סיסטעם אפילו מער מיסטעריעז.
אָבער, פֿאַר פילע סייאַנטיס, אַזאַ אַ לערנען איז אַ מיסאַנדערסטאַנדינג, ווייַל, אין זייער מיינונג, צו פֿאַרשטיין די סיסטעם, צו דערקענען די פּאַטערנז און מעקאַניזאַמז פון אַ העכער סדר צו מאַכן קאָמפּלעקס דיסיזשאַנז, אַלע קאַמפּיוטיישאַנאַל ינטעראַקשאַנז אין אַ טיף נעוראַל נעץ. עס איז אַ ריזיק מייז פון מאַטאַמאַטיקאַל פאַנגקשאַנז און וועריאַבאַלז. דערווייל איז עס פאר אונז אומפארשטענדליך.
די קאָמפּיוטער וועט נישט אָנהייבן? פארוואס?
פארוואס איז עס וויכטיק צו פֿאַרשטיין די באַשלוס-מאכן מעקאַניזאַמז פון אַוואַנסירטע קינסטלעך סייכל סיסטעמען? מען ניצט שוין מאטעמאטישע מאדעלן צו באשטימען וועלכע ארעסטאנטן קענען באפרייען ווערן אויף פריי, וועמען מען קען געבן א הלוואה און ווער קען באקומען א ארבעט. די וואָס זענען אינטערעסירט וואָלט ווי צו וויסן וואָס דאָס און נישט אן אנדער באַשלוס איז געמאכט, וואָס זענען די גראָונדס און מעקאַניזאַם.
ער אַדמיטאַד אין אפריל 2017 אין די MIT טעכנאָלאָגיע איבערבליק. טאַמי יאַקקאָלאַ, אַ MIT פּראָפעסאָר וואָס אַרבעט אויף אַפּלאַקיישאַנז פֿאַר מאַשין לערנען. -.
עס איז אפילו אַ לעגאַל און פּאָליטיש שטעלע אַז די פיייקייט צו ונטערזוכן און פֿאַרשטיין די באַשלוס-מאכן מעקאַניזאַם פון אַי סיסטעמען איז אַ פונדאַמענטאַל מענטש רעכט.
זינט 2018, די אי.יו. איז ארבעטן אויף ריקוויירינג קאָמפּאַניעס צו צושטעלן דערקלערונגען צו זייער קאַסטאַמערז וועגן דיסיזשאַנז געמאכט דורך אָטאַמייטיד סיסטעמען. עס טורנס אויס אַז דאָס איז מאל ניט מעגלעך אפילו מיט סיסטעמען וואָס ויסקומען לעפיערעך פּשוט, אַזאַ ווי אַפּפּס און וועבסיטעס וואָס נוצן טיף וויסנשאַפֿט צו ווייַזן אַדס אָדער רעקאָמענדירן לידער.
די קאָמפּיוטערס וואָס לויפן די סערוויסעס פּראָגראַם זיך, און זיי טאָן דאָס אין וועגן וואָס מיר קענען נישט פֿאַרשטיין... אפילו די ענדזשאַנירז וואָס מאַכן די אַפּלאַקיישאַנז קענען נישט גאָר דערקלערן ווי עס אַרבעט.
