А не слишком ли много шума поднимается вокруг машинного обучения? На этот вопрос, некогда заданный на Quora, отвечает Скотт Ааронсон, специалист в области теоретической информатики в Массачусетском технологическом институте (Кембридж, Массачусетс, США), который в скором будущем будет работать в Техасском Университет в Остине.
Темы для обсуждения бывают очень разные, и их ценность тоже. «Идеологическое значение ногтей на пальцах ног», например. Об этом мало кто говорит, и, пожалуй, говорить больше и не нужно. Или вот, полуэкспоненциальные функции. О них тоже мало говорят, хотя стоило бы. В то же время разговоры о футболе, бескультурной манере сидеть, раскинув ноги в общественном транспорте, или платьях знаменитостей на церемонии «Оскар» не утихают. Хотя толку в этом мало. Наконец, есть темы, о которых много говорят, и на первый взгляд, об этом действительно стоит говорить: Вторая мировая война, глобальное потепление, черные дыры или машинное обучение. Сложно сказать, насколько они важны, поскольку очень непросто выделить суть из груды информационного мусора. К тому же, чтобы по-настоящему понять наукоемкую тему, нужно иметь определённую подготовку. Сегодня машинное обучение предлагает решение ряда научных вопросов (например, deep learning) и оказывает влияние на общество (тот же переход на самоуправляемые автомобили).
Я бы с удовольствием поработал с машинным обучением, если бы не занимался квантовыми вычислениями. На самом деле я начал присматриваться к искусственному интеллекту еще во время обучения в Корнельском университете (Итака, Нью-Йорк, США) с Бартом Селманом (Bart Selman), а затем — как аспирант в Беркли (Калифорнийский университет, Беркли, Калифорния, США) с Майком Джорданом (Mike Jordan), прежде, чем перешел к квантовым вычислениям. Я решил, что в этой области мое «сравнительное преимущество» значительно больше. Прогресс в машинном обучении за последние десять лет — это прогресс, который привел к таким вещам, как IBM Watson, AlphaGo и так далее, — кажется мне действительно поразительным. С другой стороны, по крайней мере, по словам исследователей Машинного Обучения, которых я знаю, этот самый прогресс, который у всех на слуху, не включает в себя каких-либо крупных новых концептуальных прорывов. Он больше связан с доработкой алгоритмов, которые существовали в 70-х и 80-х годах и реализацией этих алгоритмов на компьютерах, которые на порядок быстрее, и их обучение с куда большим количеством данных. С одной стороны, тот факт, что идеи, которые дозревали уже несколько десятков лет (например, метод обратного распространения ошибки — Backpropagation и его вариации) смогли показать такой высокий результат при масштабировании, вызывает оптимизм. Ведь мы сможем достичь еще более значительных результатов ИИ, попробовав те же методы с еще более быстрыми компьютерами и еще большими наборами данных.
С другой стороны, это также напоминание о том, что, если мы хотим знать, что будет важным через десятилетия, нам необходимо поискать сегодняшние аналоги научных идей прошлого, того же метода обратного распространения ошибки. Возможно, эти идеи, разрабатывались группой ученных-чудаков, слишком странные, новые и недоказанные, чтобы привлечь инвесторов или быть описанными в глянцевых журналах. Идеи, которые недооцениваются по причинам недостаточного развития технологий. В заключение я хочу сказать, что мне куда интересней сама суть машинного обучения, чем весь этот ажиотаж вокруг него. Ведь еще в пятидесятых годах почти каждый знал, что в будущем компьютеры будут важны, и они были правы. Но во многом учёные и ошибались. Так, была сильно недооценена сложность создания человекоподобных роботов, люди не смогли предвидеть момент появления персональных компьютеров или интернета. Я не сомневаюсь, что и через тридцать лет люди согласятся с нами в отношении важности роли машинного обучения. Но, возможно, они будут осуждать нас за то, что мы проигнорировали какие-то области Машинного обучения, или наоборот смеяться над нами за то, что мы занимались вопросами, которые в дальнейшем не нашли применения? Я не знаю ответов на эти вопросы, но мне хотелось бы их узнать.

Что еще почитать:

Deep Learning, искусственный интеллект и машинное обучение для чайников: объяснение на примере

Революция на рабочем месте: какие профессии будут востребованы в будущем

Dewey — первый искусственный «писатель»