Achchiq Saboq (Dars)

Muallif: Rich Sutton

Yozilgan sana: 2019-yil, 13-mart

Manba: incompleteideas.net

AI (sun’iy intellekt) sohasidagi 70 yillik tadqiqotlardan olinadigan eng katta saboq shuki, hisoblash quvvatidan foydalanadigan umumiy usullar (algoritmlar) oxir oqibat eng samaralidir va bu farq juda kattadir. Buning asosiy sababi Mur qonuni (Moore’s Law) yoki aniqrog’i, hisoblash birligi tannarxining eksponentsial ravishda pasayib borishidir. Aksariyat AI tadqiqotlari go’yoki agent ixtiyoridagi hisoblash quvvati o’zgarmasdek olib borilgan (bunday holatda inson bilimlaridan foydalanish samaradorlikni oshirishning yagona yo’li bo’lib tuyuladi), biroq odatdagi tadqiqot loyihasidan biroz uzoqroq vaqt ichida muqarrar ravishda juda katta hisoblash quvvati paydo bo’ladi. Qisqa muddatda natija beradigan o’zgarishni istab, tadqiqotchilar o’zlarining soha bo’yicha insoniy bilimlaridan foydalanishga intiladilar, ammo uzoq muddatda muhim bo’lgan yagona narsa — hisoblash quvvatidan unumli foydalanishdir. Bu ikki yondashuv bir-biriga qarshi bo’lishi shart emas, lekin amalda ko’pincha shunday bo’ladi. Biriga sarflangan vaqt ikkinchisiga sarflanmagan vaqtni anglatadi. Muayyan bir yondashuvga sarmoya kiritishda psixologik bog’liqliklar mavjud. Inson bilimiga asoslangan yondashuv usullarni murakkablashtirib yuboradi va bu ularni hisoblash quvvatiga tayanadigan umumiy usullardan foydalanishga yaroqsiz qilib qo’yadi. AI tadqiqotchilarining ushbu achchiq saboqni kech anglaganiga oid ko’plab misollar bor va ularning eng ko’zga ko’ringanlarini ko’rib chiqish foydalidir.

Kompyuter shaxmatida 1997-yilda jahon chempioni Kasparovni mag’lub etgan usullar ommaviy, chuqur qidiruvga (search) asoslangan edi. O’sha paytda shaxmatning maxsus tuzilishini insoniy tushunishga asoslangan usullar ustida ishlayotgan aksariyat tadqiqotchilar bunga tushkunlik bilan qarashgan. Maxsus apparat va dasturiy ta’minotga ega bo’lgan sodda, qidiruvga asoslangan yondashuv ancha samaraliroq ekanligi isbotlanganda, inson bilimiga tayanuvchi tadqiqotchilar mag’lubiyatni munosib qabul qila olishmadi. Ular “qo’pol kuch” (brute force) qidiruvi bu safar g’alaba qozongan bo’lishi mumkin, ammo bu umumiy strategiya emas va baribir odamlar shaxmatni bunday o’ynamaydi, deyishdi. Ushbu tadqiqotchilar inson kiritgan ma’lumotlarga asoslangan usullar g’alaba qozonishini xohlashgan va bunday bo’lmaganida hafsalalari pir bo’lgan.

Shunga o’xshash tadqiqot rivojlanishi kompyuter Go o’yinida ham kuzatildi, faqat bu 20 yilga kechikib yuz berdi. Dastlabki ulkan sa’y-harakatlar inson bilimidan yoki o’yinning o’ziga xos xususiyatlaridan foydalangan holda qidiruvdan qochishga qaratilgan edi, biroq qidiruv keng miqyosda samarali qo’llanilgach, bu harakatlarning barchasi ahamiyatsiz yoki hatto zararli bo’lib chiqdi. Shuningdek, qiymat funksiyasini o’rganish uchun o’z-o’zi bilan o’ynash orqali o’rganishdan (learning by self play) foydalanish ham muhim edi (bu ko’plab boshqa o’yinlarda va hatto shaxmatda ham qo’llanilgan, garchi 1997-yilgi dasturda o’rganish katta rol o’ynamagan bo’lsa ham). O’z-o’zi bilan o’ynash orqali o’rganish va umuman o’rganish, qidiruv kabi, ulkan hisoblash quvvatini ishga solishga imkon beradi. Qidiruv va o’rganish AI tadqiqotlarida ulkan hajmdagi hisoblash quvvatidan foydalanishning ikkita eng muhim usulidir. Kompyuter Go o’yinida ham, shaxmatda bo’lgani kabi, tadqiqotchilarning dastlabki harakatlari inson tushunchasidan foydalanishga (qidiruvni kamaytirish uchun) yo’naltirilgan edi va faqat ancha keyinroq qidiruv va o’rganishni qabul qilish orqali katta muvaffaqiyatga erishildi.

Nutqni tanib olish (speech recognition)da 1970-yillarda DARPA tomonidan homiylik qilingan dastlabki musobaqa bo’lib o’tgan. Unda inson bilimlaridan — so’zlar, fonemalar, inson ovoz yo’llari va hokazolardan foydalanadigan ko’plab maxsus usullar ishtirok etgan. Boshqa tomondan esa Yashirin Markov modellari (HMM) asosida ishlaydigan, ko’proq statistik xarakterga ega va ko’proq hisoblashni talab qiladigan yangi usullar bor edi. Yana bir bor statistik usullar inson bilimiga asoslangan usullardan ustun keldi. Bu o’n yillar davomida tabiiy tilni qayta ishlashning barcha sohalarida katta o’zgarishlarga olib keldi, natijada statistika va hisoblash sohada hukmronlik qila boshladi. Yaqin vaqt ichida nutqni tanib olishda chuqur o’rganishning (deep learning) yuksalishi ushbu izchil yo’nalishdagi eng so’nggi qadamdir. Chuqur o’rganish usullari inson bilimiga yanada kamroq tayanadi va ancha yaxshi nutqni tanib olish tizimlarini yaratish uchun ulkan o’quv to’plamlarida o’rganish bilan birga yanada ko’proq hisoblash quvvatidan foydalanadi. O’yinlarda bo’lgani kabi, tadqiqotchilar doimo tizimlarni o’z ongining ishlashiga mos ravishda yaratishga harakat qilishdi — ular ushbu bilimlarni o’z tizimlariga joylashga urinishdi — ammo Mur qonuni tufayli katta hisoblash quvvati paydo bo’lganda va undan unumli foydalanish yo’li topilganda, bu urinishlar pirovardida teskari natija berdi va tadqiqotchilar vaqtining bexuda sarfi bo’lib chiqdi.

Kompyuter ko’rishida (computer vision) ham shunga o’xshash holat kuzatildi. Dastlabki usullar ko’rishni qirralarni, umumlashtirilgan silindrlarni qidirish yoki SIFT belgilari asosida tasavvur qilgan. Ammo bugungi kunda bularning barchasi chetga surilgan. Zamonaviy chuqur o’rganish neyron tarmoqlari faqat konvolyutsiya (o’ram) va muayyan invariantlik tushunchalaridan foydalanadi va ancha yaxshi natija beradi.

Bu katta saboqdir. Soha sifatida biz buni hali ham to’liq anglab yetmadik, chunki biz xuddi shunday xatolarga yo’l qo’yishda davom etyapmiz. Buni ko’rish va unga qarshi turish uchun biz ushbu xatolarning jozibadorligini tushunishimiz kerak. Biz shuni anglashimiz kerakki — bu achchiq saboq — biz qanday fikrlashimiz haqidagi tasavvurlarimizni tizimga kiritish uzoq muddatda foyda bermaydi. Achchiq saboq quyidagi tarixiy kuzatuvlarga asoslanadi:

AI tadqiqotchilari ko’pincha o’z agentlariga bilimlarni “ichiga qurishga” (build in) harakat qilishgan;

Bu qisqa muddatda doimo yordam beradi va tadqiqotchi uchun shaxsan qoniqarli bo’ladi;

Ammo uzoq muddatda bu rivojlanishni to’xtatib qo’yadi va hatto keyingi taraqqiyotga to’sqinlik qiladi;

Keskin o’zgarish va taraqqiyot esa, nihoyat, qidiruv va o’rganish orqali hisoblashni kengaytirishga asoslangan qarama-qarshi yondashuv orqali keladi.

Yakuniy muvaffaqiyat biroz achchiq ta’mga ega bo’ladi va ko’pincha to’liq qabul qilinmaydi, chunki bu afzal ko’rilgan, insonga yo’naltirilgan yondashuv ustidan qozonilgan g’alabadir.

Achchiq saboqdan olinishi kerak bo’lgan bir narsa — bu umumiy maqsadli usullarning, ya’ni hisoblash quvvati ortishi bilan miqyoslanishda (scale) davom etadigan usullarning buyuk qudratidir. Shu tarzda cheksiz miqyoslana oladigan ikkita usul — bu qidiruv va o’rganishdir.

Achchiq saboqdan olinadigan ikkinchi umumiy xulosa shuki, ongning haqiqiy mazmuni nihoyatda va tuzatib bo’lmas darajada murakkabdir; biz ong tarkibi haqida o’ylashning oddiy usullarini, masalan, bo’shliq, ob’ektlar, ko’p agentlar yoki simmetriyalar haqida oddiy tasavvurlarni topishga urinishni to’xtatishimiz kerak. Bularning barchasi o’zboshimcha, mohiyatan murakkab tashqi dunyoning bir qismidir. Ularni tizimga “ichiga qurish” kerak emas, chunki ularning murakkabligi cheksizdir; buning o’rniga biz faqat ushbu ixtiyoriy murakkablikni topa oladigan va qamrab oladigan meta-usullarni yaratishimiz kerak. Ushbu usullarning asosi shundaki, ular yaxshi taxminiy yechimlarni (approximations) topa oladi, ammo ularni qidirish biz tomonimizdan emas, balki bizning usullarimiz orqali amalga oshirilishi kerak. Biz o’zimiz kashf etgan narsalarni o’z ichiga olgan emas, balki xuddi biz kabi kashf qila oladigan AI agentlarini xohlaymiz. O’z kashfiyotlarimizni tizimga joylash kashf qilish jarayoni qanday amalga oshishini ko’rishni yanada qiyinlashtiradi.

Gemini bilan tarjima qilingan