Jednym z najbardziej ambitnych i długotrwałych celów w dziedzinie inteligencji obliczeniowej jest stworzenie inteligentnych, samoświadomych maszyn, które mogą naśladować lub nawet przewyższać ludzką inteligencję. Inteligentna maszyna może się uczyć, ulepszać samą siebie, a następnie wytyczać własne ścieżki rozwoju. Przeszliśmy długą drogę od starych, dobrych systemów AI z lat 50. do współczesnych sztucznych neurokomputerów. Dziś te inteligentne systemy mogą robić różne rzeczy, takie jak analizować obrazy, sterować bezzałogowym statkiem powietrznym (UAV), prowadzić samochód i zostać wirtualnym asystentem. Dzisiejsze najbardziej zaawansowane podejścia do inteligencji obliczeniowej są poprzez neuroewolucję, ewolucyjne podejście do Deep Learning inspirowane ludzkim mózgiem.

Czym jest neuroewolucja?

Neuroewolucja lub neuro-ewolucja to subdziedzina w ramach sztucznej inteligencji i uczenia maszynowego, która zaprzęga algorytmy ewolucyjne do konstruowania sztucznych sieci neuronowych. Neuroewolucja jest ewolucyjnym podejściem do głębokiego uczenia sieci, które zostało z powodzeniem zastosowane w dziedzinie sztucznego życia, systemów generatywnych, kontroli robotów i gier komputerowych. Opisuje ono proces ewolucyjny podobny do tego, który stworzył nasze mózgi, tyle że wewnątrz komputera. W rzeczywistości cała koncepcja została zainspirowana strukturą ludzkiego mózgu. Mocno wierzono, że jeśli uda się w jakiś sposób zreplikować ludzki mózg, to powstanie sztuczna inteligencja. Termin sztuczne sieci neuronowe reprezentuje graf węzłów połączonych linkami, gdzie każdy link ma określoną wagę. Węzły te zdalnie przypominają sposób, w jaki zorganizowane są neurony w ludzkim mózgu. Obecnie najbardziej zaawansowane podejście do inteligencji obliczeniowej odbywa się poprzez neuroewolucję. Koncepcja ta została szeroko wykorzystana w dziedzinie gier.

Co to jest Deep Learning?

Deep Learning to technika uczenia maszynowego oparta na sztucznych sieciach neuronowych, która imituje pracę ludzkiego mózgu. Weźmy przykład Google Translate – tłumaczy on akapity tekstów lub całe strony z jednego języka na drugi w ciągu kilku sekund. Można więc powiedzieć, że Google Translate opiera się na koncepcji Deep Learning i sztucznych sieci neuronowych (ANNs). ANNs to inspirowane biologicznie podejście do inteligencji obliczeniowej i uczenia maszynowego. Wykorzystuje wiele warstw do wyodrębnienia wysokopoziomowych cech z surowych sensorycznych danych wejściowych. Umożliwia systemom komputerowym poprawę wraz z doświadczeniem i danymi. Jest to szczególny rodzaj techniki uczenia maszynowego do tworzenia systemów AI, które mogą funkcjonować w skomplikowanych środowiskach świata rzeczywistego. Deep Learning reprezentuje świat jako zagnieżdżoną hierarchię pojęć, gdzie każde pojęcie jest zdefiniowane w odniesieniu do prostszych pojęć, a bardziej abstrakcyjne reprezentacje obliczone w kategoriach mniej abstrakcyjnych.

Różnica między neuroewolucją a głębokim uczeniem

Koncepcja

– Deep Learning to technika uczenia maszynowego, która jest podzbiorem AI i ma na celu naśladowanie pracy ludzkiego mózgu w odniesieniu do przetwarzania danych w celu wykorzystania w rozpoznawaniu mowy, wykrywaniu obiektów, tłumaczeniu języka i podejmowaniu decyzji. Jest to funkcja AI oparta na sztucznych sieciach neuronowych, bio-inspirowanym podejściu do inteligencji obliczeniowej i uczenia maszynowego. Neuroewolucja, z drugiej strony, jest formą AI i uczenia maszynowego, która wykorzystuje algorytmy ewolucyjne do konstruowania sztucznych sieci neuronowych. Jest to ewolucyjne podejście do sieci głębokiego uczenia, które zamierza uprościć proces rozwiązywania złożonych zadań.

Praca

– Deep Learning reprezentuje świat jako zagnieżdżoną hierarchię pojęć, gdzie każde pojęcie jest zdefiniowane w odniesieniu do prostszych pojęć, a bardziej abstrakcyjne reprezentacje obliczone w kategoriach mniej abstrakcyjnych. Dzięki temu systemy komputerowe mogą się doskonalić wraz z doświadczeniem i danymi podobnie jak ludzki mózg przetwarza informacje w postaci obrazów, tekstu czy dźwięku. Cała koncepcja neuroewolucji została zainspirowana strukturą ludzkiego mózgu – konstruuje ona sztuczne sieci neuronowe za pomocą algorytmów ewolucyjnych. Istnieją dwa podejścia do neuroewolucji – takie, które uwzględnia ewolucję jedynie wag połączeń w sieci oraz takie, które ewoluuje zarówno wagi połączeń, jak i topologię sieci.

Aplikacje

– Neuroewolucja została szeroko wykorzystana w domenie gier w rolach takich jak ocena przestrzeni stan-akcja gry, modelowanie strategii przeciwników, modelowanie doświadczenia gracza i tak dalej. Najczęstsze zastosowania obejmują ewolucyjną robotykę, sztuczne życie, systemy generatywne, uczenie wzmacniające itp. Głębokie uczenie wykorzystuje ogromne sieci neuronowe do zrozumienia złożonych wzorców w dużych ilościach danych. Powszechne zastosowania obejmują rozpoznawanie obrazów, wykrywanie oszustw, samojeżdżące samochody, wirtualnych asystentów, boty, systemy CRM, przetwarzanie języka naturalnego, przemysłowe badania farmaceutyczne, superkomputery i tak dalej.

Podsumowanie

Zarówno neuroewolucja, jak i głębokie uczenie są wysoce rozproszonymi i współbieżnymi podejściami do rozwiązywania problemów, które mają kluczowe znaczenie dla sukcesu lub porażki większości problemów i aplikacji. Podstawową koncepcją stojącą za neuroewolucją jest wytwarzanie sztucznych sieci neuronowych poprzez zastosowanie algorytmów ewolucyjnych, czyli populacyjnego metaheurystycznego algorytmu optymalizacyjnego. Operatory genetyczne są sercem każdego algorytmu ewolucyjnego i to od nich zależy wydajność każdego algorytmu neuroewolucyjnego. Algorytm ewolucyjny wykorzystuje mechanizmy inspirowane ewolucją biologiczną, takie jak mutacja i crossover. Głębokie uczenie jest techniką uczenia maszynowego opartą na strukturze i funkcji ludzkiego mózgu i wykorzystuje wiele warstw do wydobycia znaczących cech z surowych wejściowych danych sensorycznych.