หากเทคนิคการเรียนรู้ของเครื่องจักรดีขึ้นเรื่อย ๆ บทบาทของอัลกอริทึมในอนาคตคืออะไร


23

ลองดูอนาคต 30 ปีจากนี้ มาคิดในแง่ดีและคิดว่าพื้นที่ที่เกี่ยวข้องกับการเรียนรู้ของเครื่องจักรจะพัฒนาอย่างรวดเร็วเหมือนที่เราเห็นใน 10 ปีที่ผ่านมา นั่นจะดี แต่แล้วอะไรจะเป็นบทบาทของอัลกอริทึมแบบดั้งเดิมในอนาคต

ที่นี่ด้วย "อัลกอริธึดั้งเดิม" ผมหมายถึงกระบวนการปกติที่เราปฏิบัติตามใน TCS: พิธีปัญหาการคำนวณที่ดีที่กำหนดขั้นตอนวิธีการออกแบบสำหรับการแก้ปัญหาและพิสูจน์ค้ำประกันการปฏิบัติอย่างเป็นทางการ

ตอนนี้พื้นที่ใช้งานที่เราต้องใช้การออกแบบและวิเคราะห์อัลกอริทึมแบบดั้งเดิมในอนาคตคืออะไรและเป็นไปได้ยากมากที่ความก้าวหน้าของการเรียนรู้ของเครื่องจะทำให้อัลกอริทึมแบบดั้งเดิมส่วนใหญ่ไม่เกี่ยวข้องกัน?

ตอนแรกนี่อาจดูเหมือนคำถามงี่เง่า: แน่นอนว่าเราจะต้องสามารถทำการเรียงลำดับการค้นหาการจัดทำดัชนีและอื่น ๆ ในอนาคต! แน่นอนว่าเราจะต้องสามารถแปลงฟูริเยร์ได้อย่างมีประสิทธิภาพ, คูณเมทริกซ์ขนาดใหญ่, หาเส้นทางที่สั้นที่สุด, แก้ปัญหาการเพิ่มประสิทธิภาพเชิงเส้น!

แต่แล้วอีกครั้งเมื่อคุณเริ่มมองลึกลงไปในการใช้งานในการที่เราเป็นประเพณีที่ใช้อัลกอริทึมที่เราออกแบบมันไม่ได้เป็นที่ชัดเจนว่าการออกแบบขั้นตอนวิธีการแบบดั้งเดิมและการวิเคราะห์เป็นคำตอบที่เหมาะสมในการแก้ไขปัญหาดังกล่าวในการใช้งานที่เกี่ยวข้องกับการค้นหา , โดยปกติแล้วเรามีความสนใจในการค้นหาสิ่งที่ใกล้เคียงกับมนุษย์ในความหมายที่ไม่ชัดเจนบางอย่าง (เช่นความคล้ายคลึงกันทางความหมาย) ไม่ใช่สิ่งที่เหมาะสมที่สุดในความรู้สึกทางคณิตศาสตร์บางอย่าง (เช่นระยะแก้ไขขั้นต่ำ) ในแอพพลิเคชั่นที่เกี่ยวข้องกับการวางแผนเส้นทางโดยปกติแล้วเราสนใจค้นหาเส้นทางที่ดีตามตัวอย่าง (เช่นคนอื่นชอบมากกว่า) ไม่ใช่เส้นทางที่ดีที่สุดในแง่คณิตศาสตร์บางอย่าง (เช่นระยะทางที่สั้นที่สุดหรือราคาถูกที่สุด) และเมื่อคุณมีส่วนประกอบของมนุษย์ที่คลุมเครือในภาพอาจเป็นกรณีที่เราพยายามสอนคอมพิวเตอร์เพื่อให้ได้คำตอบที่ดีตามตัวอย่างแทนที่จะพยายามให้นักวิจัย TCS ขึ้นมา ด้วยปัญหาการคำนวณอย่างเป็นทางการที่เราสามารถแก้ไขได้ด้วยการออกแบบและวิเคราะห์อัลกอริทึมแบบดั้งเดิม

ดังนั้นพื้นที่แอปพลิเคชั่น (ควรเป็นแอพพลิเคชั่นทางอุตสาหกรรมจริงและทางตรง) ซึ่งชัดเจนว่าสิ่งที่เราทำในอัลกอริทึมในอดีตก็จะเป็นวิธีที่ถูกต้อง (และวิธีเดียวที่เป็นไปได้) ในการพัฒนา อนาคต?

อัลกอริทึมที่ใช้เป็นรูทีนย่อยในเทคนิคการเรียนรู้ด้วยเครื่องดูเหมือนจะเป็นตัวพิสูจน์อนาคตที่ชัดเจน แต่สิ่งนี้ขึ้นอยู่กับเทคนิคการเรียนรู้ของเครื่องโดยเฉพาะที่เราใช้และอย่างที่เราเห็นในช่วงสิบปีที่ผ่านมา .


2
nccncε

4
ฉันสงสัยในมุมมองที่ว่าวิธีการพิเศษ เรามีเหตุผลที่จะคิดว่ามันเป็นไปไม่ได้ที่จะกำหนดปัญหาที่กลไกการเรียนรู้ของเครื่องจักรแก้ปัญหาอย่างเป็นทางการและสร้างแบบจำลองเชิงทฤษฎีที่ดีที่วิเคราะห์ประสิทธิภาพของพวกเขาหรือไม่? สิ่งนี้อาจต้องใช้แบบจำลองที่ดีกว่าสำหรับอัลกอริทึมที่ขับเคลื่อนด้วยข้อมูล (ซึ่งฉันคิดว่าเป็นอัลกอริธึมที่มีความซับซ้อนเชิงพรรณนาสูง) แต่เป็นอุปสรรคที่ไม่สามารถเอาชนะได้หรือไม่?
Neal Young

คำตอบ:


6

นี่เป็นคำถามที่หลอกหลอนฉันเมื่อเร็ว ๆ นี้ดังนั้นฉันดีใจที่คุณถาม
อย่างไรก็ตามฉันมีความสนใจน้อยลงในการจำแนกพื้นที่แอปพลิเคชันที่การเรียนรู้ของเครื่องจะครอบงำวิธีการคำนวณมากกว่าที่ฉันได้รับผลกระทบต่อความก้าวหน้าในด้านอัลกอริทึม (ดั้งเดิม) งานวิจัย "อัลกอรึทึมที่สร้างขึ้นโดยมนุษย์" แบบใดที่เราจะยังคงสนใจใน 30 ปี? เป็นที่ยอมรับกันว่านี่เป็นคำถามที่ยากที่จะตอบโดยทั่วไปเพราะเป็นแอปพลิเคชันที่กำหนดคุณภาพของผลลัพธ์ที่ต้องการ

ฉันคิดว่าอัลกอริทึมการแจงนับจะหมายเลขในหมู่ผู้รอดชีวิต จะต้องมีการทดสอบอินพุตทั้งหมดต่อไปที่ชิปหรือดำเนินการค้นหาอย่างละเอียด ความสนใจเฉพาะวัตถุการออกแบบที่ปรับแต่งอย่างประณีตที่จำเป็นในการสร้างแต่ละอินสแตนซ์ของวัตถุอย่างแน่นอน (หรืออย่างน้อย) หนึ่งครั้ง; และการขยายเวลาทำงานของความพยายามใด ๆ ที่สูญเปล่า (อาจมีจำนวนยกตัวอย่างเป็นฟังก์ชั่นของคำอธิบายของวัตถุ) - ปัจจัยเหล่านี้ทำให้ฉันสงสัยว่ากระบวนการเรียนรู้อัตโนมัติวัตถุประสงค์ทั่วไปสามารถจับคู่กับคนฉลาดได้ โซลูชันออกแบบตามวัตถุประสงค์ในพื้นที่นี้


4

ปัญหาเกี่ยวกับการแก้ปัญหาการเรียนรู้ของเครื่องคือไม่มีทางรู้ว่าพวกเขาคำนวณสิ่งที่คุณต้องการจริงๆ

ฉันคาดหวังให้พวกเขาเข้ามาครอบครองในโดเมนทั้งหมดที่ผลลัพธ์ไม่ถูกต้องไม่ใช่ความหายนะ (เช่นทุกที่ที่เราใช้การวิเคราะห์พฤติกรรม) หรือสามารถตรวจสอบผลลัพธ์ได้อย่างง่ายดาย (ปัญหาการค้นหาที่คุณรู้ว่ามีวิธีแก้ปัญหาอยู่ ไม่มีวิธีแก้ปัญหา "อาจเป็นเรื่องยาก))

สำหรับโดเมนที่เหลือฉันคาดว่าอัลกอริทึมจะได้รับการพิสูจน์อย่างเป็นทางการ (เช่นการใช้ Coq / Gallina) บ่อยครั้งขึ้นเรื่อย ๆ หวังว่าการเรียนรู้ด้วยเครื่องจะทำให้การพิสูจน์สิ่งต่าง ๆ ในระบบดังกล่าวเป็นเรื่องง่ายเหมือนบนกระดาษ (หรือง่ายยิ่งขึ้น) มันสามารถไปถึงจุดที่มนุษย์เพียงเขียนสเปคและอัลกอริทึมและการพิสูจน์ความถูกต้องโดยใช้การเรียนรู้ของเครื่อง (โปรดทราบว่าอัลกอริทึมนั้นไม่ได้ใช้การเรียนรู้ของเครื่อง แต่พบและพิสูจน์ความถูกต้องของมันโดยใช้การเรียนรู้ของเครื่อง)

ดังนั้นเราอาจพบว่าเราเขียนเพียงผู้ช่วยพิสูจน์คุณสมบัติของโปรแกรมและอัลกอริทึมการเรียนรู้ของเครื่อง

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.