P:
Com tenen un paper les xarxes profundes tossudes en l'evolució de l'AI?
R:Davant d'això, les xarxes de tossuda profunda simplement "afegeixen funcionalitat" a una construcció tecnològica existent, la xarxa adversativa generativa (GAN), però en realitat, l'evolució recent de la xarxa profunda tossuda ens explica coses fonamentals sobre com evolucionar l'AI cap a modelització significativa de la presa de decisions humanes.
La profunda tossuda xarxa es basa en la interacció dins del GAN de dues "entitats" de l'AI: el "generador" i el "discriminador". El generador "genera" contingut o exemples o dades de prova o com es vulgui anomenar. El discriminador aporta els comentaris i els ordena o pren decisions sobre la base. Aquestes dues parts d'una xarxa profunda de tossuda són entitats independents per a la investigació de l'AI, però treballen conjuntament.
És important tenir en compte que la literatura pública disponible en xarxes profundes tossudes és escassa, sembla que consisteix en un petit conjunt de descripcions comunes a les principals pàgines de classificació de Google. Un dels més autoritaris, a KDNuggets, cita l'ús d'un "coeficient Goodfellow" que no es pot descobrir per si mateix mitjançant una cerca a Google. (Ian Goodfellow és un informàtic acreditat amb algunes de les idees fonamentals de les xarxes profundes de tossuda).
Tanmateix, la idea de la xarxa profunda tossuda s’explica a KDNuggets i a altres llocs: la idea bàsica és que el generador pot “intentar enganyar” el discriminador i que el discriminador es pot fer “més discriminatori” fins que es converteixi, en certa manera., sensible en el seu "dubte sobre si mateix" i no opta per retornar resultats. Aleshores, es produeix un important pas següent: el programa, ja sigui mitjançant intervenció humana o algorismes, es "coaxial" per proporcionar una resposta.
En aquest model, comencem a veure AI fent un gran pas, des de simplement modelar dades o ensenyaments d’entrenament per analitzar, fins a prendre en realitat les tipologies de decisions d’alt nivell que pensem que són del domini humà. A l’hora d’avaluar tant els patrons “d’elecció” del discriminador d’AI com els patrons “d’elecció” d’un humà, la peça KDNuggets cita la “paradoxa de l’elecció” pionera per Barry Schwartz. Algunes publicacions de blocs independents descriuen com la profunda tossuda de la xarxa posa en evidència els comportaments essencialment humans: J. Yakov Stern exposa les limitacions actuals i els possibles avenços en un llarg camp en IVR i Alexia Jolicoeur-Martineau revela alguns dels resultats recents que poden produir GAN.
Per tant, en un cert sentit, l’impacte principal de les xarxes profundes tossudes en l’IA és reorientar o ampliar la investigació més enllà del tipus de presa de decisions fàcilment aplicable a les empreses i promoure la investigació innovadora cap a que els ordinadors siguin més com els humans. Podria haver-hi qualsevol quantitat d’aplicacions d’aquesta idea per a empreses, però no són tan tallades i seques com, per exemple, l’aplicació actual d’algoritmes d’aprenentatge automàtic als motors de recomanació del consumidor o l’ús de processos intel·ligents ML en màrqueting. La investigació de DSN sembla suggerir que podem fer que les entitats de IA siguin més sensibles, la qual cosa comporta un gran risc i una recompensa.
