与Syntience Inc和Sens.AI创始人Monica Anderson的独家谈话

0
2829
Sensai的Monica Anderson

莫妮卡·安德森(Monica Anderson)是AI认识论专家,Syntience Inc和Sens.AI的创始人,前Google员工。
自2001年以来,她一直在研究Deep Discrete Neuron Networks来进行自然语言理解,并取得了一些成功,并且她目前正致力于使用谅解机启动基于云的微服务。

Asif:向我们介绍您和您的公司

莫妮卡: 自1980年以来,我一直在与工业实力AI合作’s. I’ve
为Google,Kosmix,Kanisa完成了NLP,大数据和机器学习,
和我自己的两家公司(Sens.AI和Syntience)。
我还为思科创建了三个广受欢迎的专家系统。

广告Coursera Plus标语,包含约翰·霍普金斯大学,谷歌和密歇根大学的课程,突出显示数据科学职业发展的内容

自2001年以来,我一直使用Syntience Inc.来管理我的研究。
到目前为止,主要结果是一种新颖的深度神经网络算法
人类语言的理解和产生。
我将其称为“有机学习”,因为它最初是一个空的系统,
然后,在无监督的情况下,从
网上书,所谓的“Connectome Algorithm” incrementally adds
simplified software equivalents of discrete 神经元 and synapses
无论需要什么地方…在类似于有机增长的过程中
一个丛林。

这不是深度学习(DL)的改进;它是一种水果
不同的树。主要区别–使用离散“neurons”
而不是像DL中那样使用浮点数数组,它提供了
几个惊人的优点。您无需触摸(计算)
不是的神经元’当前,这意味着我们可以继续
记忆中的数十亿(不久的万亿)概念和假设以及
它们不会花费您任何计算,时间或精力。约十
一千个概念是您需要了解的最多知识
您正在阅读的内容,可以在下面轻松找到所有这些内容
类似突触的直接链接。相对于DL的另一个重要优势是
在DL中,您可以使用卷积发现相关性,但是是随机的
梯度下降阶段会使此信息无效,因此您必须
一次又一次地发现它们。这些卷积是
昂贵。相反,当有机学习发现相关性时
在两个神经元(概念或假设)之间,它使用
只要有帮助,突触就会一直存在。这些
机制以及基于流的算法的总体设计
深入理解语义顺序数据,意味着
算法可以比任何DL快数千倍地学习语言
基于方法。它不需要GPU就可以完成所有这些工作
(图形加速器)。

您可以将新的突触视为基于相关性的假设,并且
如果他们为理解做出积极贡献,那么他们将
随着时间的推移加强。如果不是,则将其丢弃。这是
深度神经网络内部的进化计算。顺便说一句,我们
可以认为DL与哺乳动物的视觉路径大致一致
(这就是DL如此出色地处理图像的原因),但是OL提供了更多的即席选择
我们在新皮层中发现了神经元到神经元的连通性
for 一般 language and world understanding.

OL在2017年7月开始运作良好,我们’一直在进步,
从那时起开始测量算法。我们准备好进行飞行员接战
与具有适当语言理解问题的公司合作。
具体来说,我们目前正在开发基于云的微服务
打电话给“了解机器”(UM)。该API非常简单。一个客户
发送包含一些文本的请求,UM将返回一组
“concept node IDs”可以作为(例如)python进行操作和存储
套数字。这些集将是“语义上可重复”, i.e.
对语法变化不敏感。如果您正在构建聊天机器人,那么您
可以(在开发阶段)检索一组概念节点
“canonical” statements like “请给我看看我的支票余额
帐户”。然后,在生产中,将所有用户输入发送给
chatbot to the same 了解机器 and if the user asks to see
他们的支票帐户余额,您将获得相同(或非常
相似)节点集,无论用户如何表达请求;的
UM的输出消除了歧义,使其可以
直接由您的业务逻辑使用。通过委派语言
understanding to our 了解机器, you can avoid all NLP work
例如任何机器上的解析,词干,错别字,省略等
学习,以及对历史客户互动的大量分析
数据。您仍然需要测试,并根据需要优化您的
“canonicals”直到它们覆盖了用户输入的足够部分
空间。这将在任何语言理解方面都具有变革性
应用程序域。

Asif:您预测哪些将是最大的商机&受人工智能影响的行业?

莫妮卡: 从字面上看,每个工商业部门都可以使用成熟的
语言理解。我们的UM可用于分析专利
和合同,解析医院的病历,阅读研究
报告,按主题对网页进行分类以及在
SIRI和Alexa等系统。区别就像互动
(可能)与SIRI交流,而不是与有能力的同事交谈。
毫无疑问,我会完全理解语言
是使我们更接近公认的智能的下一个向量
machines. I hesitate to label our 了解机器s as “AI”
仅仅是因为他们的目的是理解而不是推理,
这意味着他们将永远不会变得完全智能… at least
在AI认识论上取得重大进步。但是那里
仅仅通过
理解语言,情况和世界上很大一部分
以书籍和网络上的语言描述。

Asif:当您刚开始职业时,您希望别人告诉您什么?

莫妮卡: 我来得太早了…当我们仍然相信
“推理和行为就在哪里’s at”。我现在知道了
从理解开始。您无法对所做的事情进行推理
不明白。而且AI中尚未讨论这种差异
随处接受教育。每个进入该领域的人都应该了解
关于AI认识论,以了解他们真正在做什么。没有人
已经做了基础工作,所以我研究了十年,最后
编写了我自己的《人工智能认识论》入门书,并将其发布为
http:// _ artificial-understanding.com 。我推荐每个想要的人
做任何事情甚至接近AI都可以阅读整个入门书;它
需要一个小时。

矛盾的是,所有STEM教育都是还原论者,但99%
解决人类问题是整体的。你可以不用做早餐
做科学,甚至不用推理,只要重复什么
昨天工作。您在以下情况下不计算微分方程
刹车刹车灯。这种悖论是
移动的程序员和数学家中的还原论失明
进入人工智能,阻止他们看到诸如
了解自己,重叠深层嵌套的图案,出现,
减少,显着性等等,这些都是认识论的一部分
理解。以及STEM引发的将科学用于
一切都阻止了我们建造前科学机器,
跳出缺乏证据的结论。因为那个’s what
情报确实如此。证据不足’ll ever have.

如果您(通过编程)建立世界(一部分)的模型,
那么您已经编写了可以解决以下问题的程序
该域。它不是一般的AI,因为您将其限制为
域。

唯一的选择是制作一个空的系统,除了什么都不知道
有能力学习任何东西。关于创建AGI的任何声明–
a “general”AI –在无法学习(特别是学习
从自己的错误)是夸张的。这是我十年来的基础
推动和传福音“Model Free Methods”。深度学习,何时
它到了,为这个想法提供了很多支持。

Asif:许多人认为人工智能可以带来启示,您对此有何看法?

莫妮卡: 当深度学习向人们展示
广泛的受众认为,整体(无模型)方法可以击败所有
简化主义者(基于模型和手动编程)尝试许多AI
级任务。所有人都在谈论AI启示,从
递归自我完善的理论,以及大多数的恐惧心理
来自Boström和MIRI等,来自经典AI和
现在可以将其作为以前时代的古怪误解予以驳回。
还原论者的AI已死,它将永远无法工作,并且大多数危险
we’我已经听说了几十年,由于过时而可以忽略
了解AI可以做什么和不能做什么。同样,认识论将
告诉你什么会工作,什么会赢’t。 AI的所有改进
将通过更多的学习和更有效的方法来学习。
而且我们可以控制学习到任意程度。多数AI
未来十年将生活在云中,可能无法学习
安装后的所有物品,并且平均使用寿命可能为
以毫秒为单位,以完成一些简单的操作
理解任务…之后我们将其丢弃。它’s hard to see
这些冻结的理解者自发地变得有害。

仍然存在危险;我们不能排除人类滥用AI功能的情况。

阿西夫:哪些书对您的思想影响最大?

莫妮卡: 主要是TorNørretranders: “The User Illusion”,但这只是提供的
几十年来研究整体主义和还原主义及其动因的基础
解决问题的各自优势。威廉·加尔文’s books, and
特别 “脑交响曲” 也很重要,因为它们
展示进化计算对于理解和如何有用
思维。罗伯特·皮尔西格’s “禅与摩托车维修艺术
强调社会和我们的还原论者整体分裂
思维。

Asif:在启动人工智能之旅时,您会给初创公司带来什么建议?

莫妮卡: 人工智能初创企业与其他初创企业没有太大区别。做一个小
安全地赚钱。赌一些更远的东西,你可能
失败或赚很多钱。我建议不要进入
已建立的现有域,除非您有认真的算法
优点。一家小型AI公司使用昨天开辟了一个新市场’s
最先进的机器学习最有可能成功。而只是
因为深度学习效果很好’并不意味着所有的事情
we’ve been labeling “AI”这些年来,今天会更好。
聊天机器人就是一个很好的例子。我相信市场仍然没有’t
看到任何值得建立的深度学习或其他AI突破
chatbot公司。我希望只有随着
our 了解机器s.

广告

发表评论

请输入您的评论!
请在这里输入您的名字

该网站使用Akismet减少垃圾邮件。 了解如何处理您的评论数据.