Marlos C. Machado, adjunkt profesor na University of Alberta, Amii Fellow, CIFAR AI Chair – Interview Series

Marlos C. Machado je Fellow v rezidenci na Alberta Machine Intelligence Institute (Amii), adjunkt profesor na University of Alberta a Amii fellow, kde také zastává funkci Canada CIFAR AI Chair. Výzkum Marlosa se většinou zaměřuje na problém učení s posilováním. Získal titul B.Sc. a M.Sc. na UFMG v Brazílii a titul Ph.D. na University of Alberta, kde popularizoval myšlenku prodlouženého průzkumu pomocí možností.

Byl výzkumníkem v DeepMind v letech 2021 až 2023 a v Google (GOOGL ) Brain v letech 2019 až 2021, během nichž udělal významné příspěvky k učení s posilováním, zejména aplikaci hlubokého učení s posilováním na kontrolu Loonových stratosférických balónů. Práce Marlosa byla publikována v předních konferencích a časopisech v oblasti AI, včetně Nature, JMLR, JAIR, NeurIPS, ICML, ICLR a AAAI. Jeho výzkum byl také uveden v populárních médiích, jako je BBC, Bloomberg TV, The Verge a Wired.

Rozhovor jsme vedli na každoroční konferenci Upper Bound 2023 o umělé inteligenci, která se koná v Edmontonu, AB a je hostována Amii (Alberta Machine Intelligence Institute).

Vaším hlavním zaměřením je učení s posilováním, co vás přitahuje k tomuto typu strojového učení?

To, co mi na učení s posilováním říká, je tento koncept, je to velmi přirozený způsob, podle mého názoru, učení, tj. učíme se interakcí. Zdá se, že je to způsob, jakým se učíme jako lidé, v jistém smyslu. Nerad bych antropomorfizoval AI, ale je to prostě intuivní způsob, tj. budete zkoušet věci, některé věci se zdají dobré, některé věci se zdají špatné, a učíte se dělat věci, které vám připadají lepší. Jednou z věcí, které mě fascinují na učení s posilováním, je fakt, že protože skutečně interagujete se světem, jste tím agentem, o kterém mluvíme, snažíte se věci ve světě a agent může přijít s hypotézou a otestovat ji.

Důvod, proč to záleží, je, že umožňuje objevování nových chování. Například jedním z nejznámějších příkladů je AlphaGo, tah 37, o kterém se mluví v dokumentu, který je tímto tahem, o kterém lidé říkají, že to byla kreativita. To bylo něco, co nebylo nikde, bylo to prostě tím, že interagoval se světem, jste dostali tuto schopnost objevovat takové věci. Získáváte tuto schopnost objevovat, jako jeden z projektů, na kterém jsem pracoval, bylo létání viditelných balónů ve stratosféře, a viděli jsme velmi podobné věci.

Viděli jsme, jak se chování vyvíjí, což všechny ohromilo a jako bychom nikdy o tom nepřemýšleli, ale bylo to geniální. Myslím, že učení s posilováním je zvlášť vhodné pro umožnění objevování tohoto typu chování, protože interagujete, protože jeden z opravdu difících věcí je kontrafakt, jako co by se stalo, kdybych místo toho udělal něco jiného? To je super obtížný problém obecně, ale ve многих nastaveních strojového učení není nic, co byste mohli udělat. Při učení s posilováním můžete, “Co by se stalo, kdybych udělal tohle?” Mohl bych to zkusit příště, až budu mít tuto zkušenost. Myslím, že tato interaktivní stránka toho, co mi opravdu říká, je ta, kterou opravdu mám rád.

Samozřejmě, že nejsem hypokrit, myslím, že mnoho z těch cool aplikací, které přišly s tím, bylo opravdu zajímavé. Jako návrat desetiletí a desetiletí zpět, i když mluvíme o raných příkladech velkých úspěchů učení s posilováním, to vše mě udělalo velmi atraktivním.

Jaký byl váš oblíbený historický příklad?

Myslím, že existují dva velmi slavné, jeden je létající vrtulník, který provedli na Stanfordu s učení s posilováním, a druhý je TD-Gammon, což je hráč backgammonu, který se stal světovým šampionem. To bylo na konci 90. let, a tak jsem během svého PhD udělal stáž v IBM s Geraldem Tesaurem a Gerald Tesauro vedl projekt TD-Gammon, takže to bylo jako něco opravdu cool. Je to zábavné, protože když jsem začal dělat učení s posilováním, nebyl jsem si plně vědom, co to je. Když jsem se hlásil na postgraduální školu, vzpomínám si, že jsem navštívil mnoho webových stránek profesorů, protože jsem chtěl dělat strojové učení, a četl jsem popis jejich výzkumu, a byl jsem jako, “Ó, tohle je zajímavé.” Když se ohlédnu zpět, aniž bych znal toto pole, jsem si vybral všechny slavné profesory v učení s posilováním, ale ne proto, že byli slavní, ale protože popis jejich výzkumu byl lákavý. Byl jsem jako, “Ó, tato webová stránka je opravdu pěkná, chci pracovat s tímto chlapem a tím chlapem a tou ženou,” takže to bylo jako-

Jako byste je našel organicky.

Přesně, takže když se ohlédnu zpět, říkám, “Ó, tito jsou lidé, se kterými jsem chtěl pracovat už dávno,” nebo tito jsou papíry, které jsem četl, aniž bych znal toto pole, jsem byl jako, “Ó, tohle je něco, co bych měl číst,” a to mě vždycky vrátilo k učení s posilováním.

Zatímco v Google Brain, pracoval jste na autonomní navigaci stratosférických balónů. Proč to byl dobrý případ použití pro poskytování internetového přístupu do těžko dostupných oblastí?

To, co mě není odborníkem, je tah, který provedla Loon, která byla dceřinou společností Alphabet. Když jsme procházeli tím, jak poskytujeme internet mnoha lidem na světě, je to jako postavit anténu, jako postavit anténu v Edmontonu, a tato anténa vám umožňuje sloužit internetu v oblasti o poloměru asi pět, šest kilometrů. Pokud postavíte anténu v centru New Yorku, budete sloužit milionům lidí, ale teď si představte, že se snažíte sloužit internetu kmeni v amazonském deštném pralese. Možná máte 50 lidí v kmeni, ekonomická cena umístění antény tam je opravdu vysoká, nezmíníte-li se o tom, že je obtížné dostat se do té oblasti.

Ekonomicky řečeno, nemá smysl dělat velkou investici do infrastruktury v těžko dostupné oblasti, která je tak řídce osídlena. Nápad s balóny byl prostě, “Co kdybychom mohli postavit anténu, která je opravdu vysoká? Co kdybychom mohli postavit anténu, která je 20 kilometrů vysoká?” Samozřejmě, že nevíme, jak postavit takovou anténu, ale mohli bychom umístit balón tam, a pak by balón mohl sloužit oblasti, která je 10krát větší, nebo pokud mluvíme o poloměru, pak je to 100krát větší oblast internetu. Pokud byste ho umístili tam, řekněme uprostřed lesa nebo uprostřed džungle, mohli byste sloužit několika kmenům, které by jinak potřebovaly samostatnou anténu pro každého z nich.

Sloužení internetového přístupu do těchto těžko dostupných oblastí bylo jednou z motivací. Pamatuji si, že motto Loon bylo, aby neposkytovat internet příštím miliardám lidí, ale aby poskytovat internet posledním miliardám lidí, což bylo extrémně ambiciózní.

Jaké byly navigační problémy, které jste se snažili vyřešit?

Způsob, jakým tyto balóny fungují, je, že nejsou poháněny, stejně jako lidé navigují horkovzdušnými balóny, tj. buď jdete nahoru nebo dolů a najdete větrný proud, který vás unáší v určitém směru, pak na něm jezdíte, a pak je to jako, “Ó, nechci jít tam nữa,” možná pak jdete nahoru nebo dolů a najdete jiný větrný proud a tak dále. To je to, co dělá i tento balón. Není to horkovzdušný balón, je to balón s pevným objemem, který létá ve stratosféře.

Vše, co může udělat z hlediska navigace, je jít nahoru, jít dolů nebo zůstat tam, kde je, a pak musí najít větrné proudy, které ho ponesou tam, kam chce být. Existuje spousta problémů, vlastně. První z nich je, že, mluvíme-li o formulaci, chcete být v oblasti, sloužit internetu, ale také chcete zajistit, aby tyto balóny byly solárně poháněny, aby si zachovaly energii. Je to multiobjektivní problém, abyste nejen zajistili, že jste v oblasti, kde chcete být, ale také abyste byli energeticky efektivní.

To bylo samo o sobě problémem, ale když se podíváte na detaily, nevíte, jak vypadají větrné proudy, víte, jak vypadají větrné proudy, kde jste, ale nevíte, jak vypadají větrné proudy 500 metrů nad vámi. Máte to, co nazýváme v AI částečnou pozorovatelností, takže nemáte tu data. Můžete mít předpovědi, a existují papíry o tom, ale předpovědi jsou často až 90 stupňů špatné. Je to opravdu difícil problém, protože mluvíme o stovkách různých vrstev větru, a pak musíte vzít v úvahu rychlost větru, směr větru, způsob, jakým jsme to modelovali, jak jsme si jisti o té předpovědi, o nejistotě.

Tohle všechno dělá problém opravdu difícíl. Jednou z věcí, se kterou jsme bojovali nejvíce v tomto projektu, bylo, jak vysvětlit, jak difícíl je tento problém. Protože je to difícíl pochopit, protože to není něco, co vidíte na obrazovce, je to stovky dimenzí a větrných proudů, a kdy jste naposledy měli měření toho větru? Musíte všechno tohle zpracovat, zatímco přemýšlíte o energii, o čase dne, o tom, kde chcete být, je toho spousta.

Co se strojovému učení učí? Je to prostě větrné proudy a teplota?

Způsob, jak to funguje, je, že jsme měli model větrných proudů, který byl systémem strojového učení, ale nebyl to systém učení s posilováním. Měli jsme historická data o různých výškách, a pak jsme postavili model strojového učení na základě toho. Když říkám “my”, nebyl jsem součástí toho, tohle byla věc, kterou Loon udělal, ještě předtím, než se do toho zapojil Google Brain. Měli tento model větrných proudů, který byl nad rámec různých výšek, takže jak interpolovat mezi různými výškami?

Můžete říct, “Řekněme, před dvěma lety, tohle byl větrný proud, ale co to bylo, třeba 10 metrů nad ním, nevíme”. Pak jste umístili Gaussian proces na základě toho, takže měli papíry o tom, jak dobrý byl ten model. Způsob, jakým jsme to udělali, byl, že jsme začali z perspektivy učení s posilováním, měli jsme velmi dobrý simulátor dynamiky balónu, a pak jsme také měli tento simulátor větrných proudů. Pak jsme šli zpět v čase a řekli, “Pojďme se tvářit, že jsme v roce 2010.” Měli jsme data o tom, jak vypadaly větrné proudy v roce 2010 po celém světě, ale velmi hrubá, a pak jsme mohli umístit tento model strojového učení, tento Gaussian proces na základě toho, aby jsme získali skutečná měření větrných proudů, a pak jsme mohli zavést šum, mohli jsme dělat všechny možné věci.

Pak, protože jsme měli dynamiku modelu a měli jsme větrné proudy a šli jsme zpět v čase, tvářili se, že jsme v tom světě, vlastně jsme měli simulátor.

Je to jako digitální dvojče v čase.

Přesně, navrhli jsme funkci odměny, která spočívala v tom, abychom zůstali na cíli a byli trochu energeticky efektivní, ale navrhli jsme tuto funkci odměny, kterou jsme se naučili interagovat s tímto světem, ale mohli jsme interagovat s tímto světem pouze proto, že nevíme, jak modelovat počasí a větrné proudy, ale protože jsme se tvářili, že jsme v minulosti, a pak jsme se naučili navigovat. Základní myšlenka byla, zda jít nahoru, dolů nebo zůstat, vzhledem k všemu, co se děje kolem mě, a na konci dne, základním cílem bylo sloužit internetu v té oblasti. To byl problém, v jistém smyslu.

Jaké jsou některé z výzev při nasazení učení s posilováním v reálném světě ve srovnání s herním prostředím?

Myslím, že existují několik výzev. Nemyslím si, že to nutně souvisí s hrami a reálným světem, ale spíše s fundamentálním výzkumem a aplikovaným výzkumem. Protože můžete dělat aplikovaný výzkum v herních prostředích, řekněme, že se snažíte nasadit další model do hry, která půjde milionům lidí, ale myslím, že jednou z hlavních výzev je inženýrství. Pokud pracujete, často používáte hry jako výzkumné prostředí, protože zachycují mnoho vlastností, které nás zajímají, ale zachycují je v dobře definovaném souboru omezení. Protože toho, můžeme dělat výzkum, můžeme validovat učení, ale je to spíše bezpečnější prostředí, které lépe rozumíme.

Není to, že výzkum nutně potřebuje být velmi odlišný, ale myslím, že reálný svět přináší spoustu dalších výzev. Je to o nasazení systémů, jako jsou bezpečnostní omezení, jako jsme museli zajistit, aby řešení bylo bezpečné. Když děláte pouze hry, nemusíte se tím zabývat. Jak zajistíte, aby balón nedělal něco hloupého, nebo aby se agent učení s posilováním nenaučil něco, co jsme neočekávali, a co by mělo špatné důsledky? To byla jedna z našich největších starostí, byla bezpečnost. Samozřejmě, pokud pouze hrajete hry, nemusíte se tím zabývat, v nejhorším případě prohraje hra.

To je výzva, další je inženýrský stack. Je to velmi odlišné od toho, když jste výzkumník, který pracuje sám a chce validovat to v počítačové hře, je v pořádku, ale teď máte inženýrský stack celého produktu, se kterým musíte pracovat. Není to, že vám prostě dovolí dělat, co chcete, takže si musíte být mnohem více vědomi toho dodatečného kusu. Myslím, že velikost týmu může být také mnohem odlišnější, jako Loon v té době, měli desítky, ne-li stovky lidí. My jsme interagovali pouze s malým počtem z nich, ale pak měli kontrolní místnost, která komunikovala s leteckým personálem.

My jsme byli bezradní, ale pak máte mnoho více zúčastněných stran, v jistém smyslu. Myslím, že mnoho z rozdílů spočívá v tom, že jedna, inženýrství, bezpečnost a tak dále, a možná další je, že vaše předpoklady neplatí. Mnoho z předpokladů, které děláte, na kterých jsou algoritmy založeny, když jdou do reálného světa, neplatí, a pak musíte zjistit, jak s tím nakládat. Svět není tak přátelský jako jakékoli aplikace, kterou budete dělat v herních prostředích, je to hlavně pokud mluvíte o velmi omezené hře, kterou děláte sami.

Jeden příklad, který mě opravdu baví, je, že nám dali všechno, byli jsme jako, “Ó, teď můžeme zkusit některé z těchto věcí, aby se vyřešil tento problém,” a pak jsme šli to udělat, a pak týden nebo dva týdny později, jsme přišli zpět k inženýrům z Loon, jako, “Vyřešili jsme váš problém.” Byli jsme opravdu chytří, podívali se na nás s úšklebkem na tváři, jako, “Ne, nevyřešili jste, víme, že nemůžete vyřešit tento problém, je to příliš difícíl,” jako, “Ne, vyřešili jsme, absolutně vyřešili váš problém, podívejte, máme 100% přesnost.” Jako, “To je doslova nemožné, někdy nemáte větrné proudy, které by vám umožnily…” “Ne, podívejte se, co se děje.”

Vyřešili jsme, co se děje. Balón, algoritmus učení s posilováním se naučil jít do středu oblasti, a pak šel nahoru, a nahoru, a pak balón praskl, a pak balón šel dolů a byl uvnitř oblasti navždy. Byli jako, “Tohle není to, co chceme,” ale pak samozřejmě to byla simulace, a pak jsme řekli, “Ó, ano, tak jak to vyřešíme?” Byli jako, “Ó, ano, existuje několik věcí, ale jedna z nich je, že zajistíme, aby balón nemohl jít nad úroveň, kde by praskl.”

Tato omezení v reálném světě, tyto aspekty, jak vaše řešení skutečně interaguje s ostatními věcmi, je snadné přehlédnout, když jste pouze výzkumník učení s posilováním, který pracuje na hrách, a pak, když jdete do reálného světa, jste jako, “Ó, počkejte, tyto věci mají důsledky, a musím si toho být vědom.” Myslím, že tohle je jedna z hlavních difficíl.

Myslím, že další je, že cyklus těchto experimentů je opravdu dlouhý, jako ve hře můžete prostě stisknout tlačítko “Hrát”. V nejhorším případě, po týdnu máte výsledky, ale pak, pokud skutečně musíte létat balóny ve stratosféře, máme tento výraz, který mi líbí, že “A/B testujeme stratosféru”, protože nakonec, když máte řešení a jste si jisti, že je dobré, tak chcete zajistit, aby to bylo skutečně statisticky lepší. Získali jsme 13 balónů, myslím, a létali jsme je v Pacifiku po více než měsíc, protože to bylo tolik, kolik času to trvalo, aby jsme mohli validovat, že vše, co jsme přišli, bylo skutečně lepší. Časová škála je mnohem odlišnější, takže nemáte tolik šancí na vyzkoušení věcí.

Na rozdíl od her, není milion iterací stejné hry, které běží současně.

Ano. Měli jsme to pro trénink, protože jsme využívali simulaci, i když, opět, simulátor je mnohem pomalejší než jakákoli hra, kterou byste měli, ale byli jsme schopni s tím nakládat inženýrsky. Když to děláte v reálném světě, je to odlišné.

Co je váš výzkum, na kterém pracujete dnes?

Nyní jsem na University of Alberta, a mám výzkumnou skupinu zde s mnoha studenty. Můj výzkum je mnohem více různorodý, protože moji studenti mi to umožňují. Jednou z věcí, které mě opravdu baví, je tato myšlenka kontinuálního učení. Co se děje, je, že téměř každé fois, kdy mluvíme o strojovém učení obecně, budete dělat nějaký výpočet, ať už pomocí simulátoru, nebo pomocí datové sady a zpracování dat, a budete učit model strojového učení, a nasadíte ten model a doufáte, že bude v pořádku, a to je v pořádku. Mnoho krát to je přesně to, co potřebujete, mnoho krát to je perfektní, ale někdy to není, protože někdy jsou problémy v reálném světě příliš složité, abyste očekávali, že model, ať už je jakkoli velký, bude schopen zahrnout všechny složitosti světa, takže musíte přizpůsobit.

Jedním z projektů, na kterém jsem zapojen, je například vodní čistírna. Základní myšlenka je, jak vytvořit algoritmy učení s posilováním, které budou schopny podporovat lidi v procesu rozhodování, nebo jak to udělat autonomně pro vodní čistírnu? Máme data, můžeme vidět data, a někdy kvalita vody se mění během hodin, takže i když řeknete, “Každý den budu trénovat můj model strojového učení z předchozího dne, a nasadím ho do hodiny od vašeho dne,” ten model již není platný, protože existuje drift dat, není to stacionární. Je opravdu difícíl modelovat tyto věci, protože možná je to lesní požár, který probíhá proti proudu, nebo možná sněhové tání začíná, takže byste museli modelovat celý svět, abyste to mohli udělat.

Samozřejmě, že nikdo to nedělá, my to neděláme jako lidé, takže co děláme? Přizpůsobujeme se, jsme jako, “Ó, ta věc, kterou jsem dělal, nefunguje, takže se musím naučit dělat něco jiného.” Myslím, že existuje spousta publikací, hlavně těch reálných, které vyžadují, abyste se učili neustále a navždy, a tohle není standardní způsob, jakým mluvíme o strojovém učení. Často mluvíme o tom, že “budu dělat velkou dávku výpočtu, a nasadím model,” a možná nasadím model, zatímco dělám další výpočet, protože nasadím model za pár dní nebo týdnů, ale někdy časová škála těchto věcí nefunguje.

Otázka je, “Jak můžeme učit se neustále a navždy, aby jsme se jen zlepšovali a přizpůsobovali?” a tohle je opravdu difícíl. Máme několik papírů o tom, jako naše současná mašinérie není schopna to udělat, jako mnoho z řešení, které máme, a které jsou zlatým standardem v oboru, pokud prostě necháte něco učit neustále, místo aby jste zastavili a nasadili, věci se rychle zhoršují. To je jedna z věcí, které mě opravdu baví, kterou myslím, že je jako, teď, že jsme udělali tolik úspěšných věcí, nasadili jsme fixní modely, a budeme pokračovat v tom, ale jako výzkumník, “Co je hranice tohoto oboru?” Myslím, že jednou z hranic, kterou máme, je tento aspekt kontinuálního učení.

Myslím, že jedna z věcí, která je učení s posilováním zvlášť vhodné pro to, je, že mnoho našich algoritmů zpracovává data, jakmile data přicházejí, a tak mnoho algoritmů je prostě v jistém smyslu přímo vhodné pro učení. Není to, že to dělají, nebo že jsou dobré v tom, ale nemusíme se ptát sami sebe, a myslím, že existuje spousta zajímavých výzkumných otázek o tom, co můžeme dělat.

Jaké budoucí aplikace pomocí tohoto kontinuálního učení vás nejvíce baví?

To je miliardová otázka, protože v jistém smyslu jsem hledal tyto aplikace. Myslím, že jako výzkumník, jsem schopen klást správné otázky, je to více než polovina práce, takže myslím, že v našem učení s posilováním, mnoho krát, rádi jsem veden problémy. Je to jako, “Ó, podívejte, máme tuto výzvu, tak teď musíme vyřešit tento problém,” a pak, cestou, děláte vědecký pokrok. Nyní pracuji s jinými API, jako Adam White, Martha White, na tomto, který je projekt, který vede oni, na této vodní čistírně. Je to něco, co mě opravdu baví, protože je to něco, co je opravdu difícíl popsat jazykem, je to jako, je to něco, co není snadno aplikovatelné.

Je to něco, co vyžaduje tento aspekt kontinuálního učení, jako jsem říkal, máte vodu, která se mění opravdu často, buď to je zkalení, nebo teplota, a funguje na různých časových škálách. Myslím, že je nevyhnutelné, že musíme učit se neustále. Má to obrovský sociální dopad, je difficíl si představit něco důležitějšího, než poskytovat pitnou vodu lidem, a někdy to opravdu záleží. Protože je snadné přehlédnout fakt, že někdy v Kanadě, například, když jdete do těch řidčeji osídlených oblastí, jako v severní části, a tak dále, někdy nemáte ani operátora, který by mohl provozovat vodní čistírnu. Není to, že by to mělo nutně nahradit operátory, ale je to, aby nás to opravdově povzbudilo k věcem, které bychom jinak nemohli udělat, protože prostě nemáme personál nebo sílu, abychom to mohli udělat.

Myslím, že to má obrovský potenciál pro sociální dopad, je to extrémně difícíl výzkumný problém. Nemáme simulátor, nemáme prostředky, abychom si jeden mohli opatřit, takže musíme použít nejlepší data, musíme se učit online, takže existuje spousta výzev tam. To je jedna z věcí, které mě opravdu baví. Další, a tohle není něco, co jsem dělal hodně, ale další je chlazení budov, a opět, přemýšlíme o počasí, o klimatických změnách a věcech, na které můžeme mít dopad, často je to jako, “Jak rozhodneme, jak budeme chladit budovu?” Jako tato budova, kterou máme dnes, je to velmi odlišné od toho, co to bylo minulý týden, a budeme používat přesně stejnou politiku? Většinou máte pouze termostat, takže jste jako, “Ó, je teplo, takže můžeme být chytřejší než tohle a přizpůsobit se,” opět, a někdy je tam spousta lidí v jedné místnosti, ne v druhé.

Existuje spousta těchto příležitostí pro řízené systémy, které jsou vysoce dimenzionální a difícíl pochopit v našich myslích, které můžeme pravděpodobně udělat mnohem lépe než standardní přístupy, které máme nyní v oboru.

V některých místech až 75% spotřeby energie je doslova klimatizace, takže to má smysl.

Přesně, a myslím, že mnoho z toho v domácnostech, existují již některé produkty, které dělají strojové učení, a pak se učí z klientů. V těchto budovách můžete mít mnohem jemnější přístup, jako Florida, Brazílie, je to spousta míst, která mají tuto potřebu. Chlazení datových center, tohle je další věc, existují některé společnosti, které začaly to dělat, a tohle zní skoro jako sci-fi, ale existuje schopnost neustále učit se a přizpůsobovat se, jakmile je potřeba. To může mít obrovský dopad na tyto řízené problémy, které jsou vysoce dimenzionální a tak dále, jako když létáme balóny. Například, jedna z věcí, které jsme byli schopni ukázat, bylo, jak učení s posilováním, a zejména hluboké učení s posilováním, může naučit rozhodnutí založená na senzorech, které jsou mnohem komplexnější, než ty, které by lidé mohli navrhnout.

Pouze definicí, když se podíváte, jak by člověk navrhl odezvu, je to jako, “No, bude to pravděpodobně lineární, kvadratické,” ale když máte neuronovou síť, může naučit se všechny ne-linearity, které ji dělají mnohem jemnější rozhodnutí, které někdy je opravdu efektivní. Děkuji za úžasné interview, čtenáři, kteří chtějí se dozvědět více, by měli navštívit následující zdroje:

• Upper Bound AI Conference.
• Amii (Alberta Machine Intelligence Institute)