Resumen y Perspectivas - ccc.inaoep.mx · Introduccion´ Tecnicas no´ vistas Representaciones...
Transcript of Resumen y Perspectivas - ccc.inaoep.mx · Introduccion´ Tecnicas no´ vistas Representaciones...
Introduccion
Tecnicas novistasRepresentacionesdistribuidas
Explicabilidad eInterpretabilidad
DL - GANs
DesarrolloHistorico
Perspectivas yRetos
Super-Inteligencia
Resumen y Perspectivas
Eduardo Morales y Hugo Jair Escalante
INAOE
(INAOE) 1 / 31
Introduccion
Tecnicas novistasRepresentacionesdistribuidas
Explicabilidad eInterpretabilidad
DL - GANs
DesarrolloHistorico
Perspectivas yRetos
Super-Inteligencia
Contenido
1 Introduccion
2 Tecnicas no vistasRepresentaciones distribuidasExplicabilidad e InterpretabilidadDL - GANs
3 Desarrollo Historico
4 Perspectivas y Retos
5 Super-Inteligencia
(INAOE) 2 / 31
Introduccion
Tecnicas novistasRepresentacionesdistribuidas
Explicabilidad eInterpretabilidad
DL - GANs
DesarrolloHistorico
Perspectivas yRetos
Super-Inteligencia
Introduccion
Resumen
• En el curso vimos varias de las tecnicas recientes o novistas en los otros cursos de AprendizajeComputacional
• Existen tecnicas que no vimos, por ejemplo,aprendizaje parametrico basado en maximaverosimilitud, maquinas de Kernel, estimacionbayesiana, stream-learning, BigData, concept drift, etc.
(INAOE) 3 / 31
Introduccion
Tecnicas novistasRepresentacionesdistribuidas
Explicabilidad eInterpretabilidad
DL - GANs
DesarrolloHistorico
Perspectivas yRetos
Super-Inteligencia
Tecnicas no vistas Representaciones distribuidas
Representaciones distribuidas
• Representaciones distribuidas: palabras, frases odocumentos son representados en un espacio vectorial,i.e., la semantica se distribuye en un espacio vectorial.
• Los elementos del espacio (las dimensiones) puedentener un significado o no; pueden capturar informacionsemantica, secuencial, etc.
• Aplicaciones: operaciones sobre terminos (e.g.,agrupamiento), generacion de tesauros, etc.
(INAOE) 4 / 31
Introduccion
Tecnicas novistasRepresentacionesdistribuidas
Explicabilidad eInterpretabilidad
DL - GANs
DesarrolloHistorico
Perspectivas yRetos
Super-Inteligencia
Tecnicas no vistas Representaciones distribuidas
Representaciones distribuidas
Figure: Representaciones distribuidas de palabras.
(INAOE) 5 / 31
Introduccion
Tecnicas novistasRepresentacionesdistribuidas
Explicabilidad eInterpretabilidad
DL - GANs
DesarrolloHistorico
Perspectivas yRetos
Super-Inteligencia
Tecnicas no vistas Representaciones distribuidas
Representaciones distribuidas
Figure: Representaciones distribuidas de palabras.
(INAOE) 6 / 31
Introduccion
Tecnicas novistasRepresentacionesdistribuidas
Explicabilidad eInterpretabilidad
DL - GANs
DesarrolloHistorico
Perspectivas yRetos
Super-Inteligencia
Tecnicas no vistas Representaciones distribuidas
Representaciones distribuidas
Figure: Representaciones distribuidas de palabras.
(INAOE) 7 / 31
Introduccion
Tecnicas novistasRepresentacionesdistribuidas
Explicabilidad eInterpretabilidad
DL - GANs
DesarrolloHistorico
Perspectivas yRetos
Super-Inteligencia
Tecnicas no vistas Representaciones distribuidas
Representaciones distribuidas
• Problema: Como aprender estas representaciones?• Idea: Usar modelos lineales y no lineales sobre un
conjunto de datos para aprender una representacionvectorial para cada palabra
• El objetivo es aprender un modelo que prediga lapalabra faltante a partir de cierto contexto ... ( ycolateralmente se aprende la representacion)
(INAOE) 8 / 31
Introduccion
Tecnicas novistasRepresentacionesdistribuidas
Explicabilidad eInterpretabilidad
DL - GANs
DesarrolloHistorico
Perspectivas yRetos
Super-Inteligencia
Tecnicas no vistas Representaciones distribuidas
Representaciones distribuidas
Figure: Lenguaje de modelo neuronal, Bengio et al.
(INAOE) 9 / 31
Introduccion
Tecnicas novistasRepresentacionesdistribuidas
Explicabilidad eInterpretabilidad
DL - GANs
DesarrolloHistorico
Perspectivas yRetos
Super-Inteligencia
Tecnicas no vistas Representaciones distribuidas
Representaciones distribuidas
Figure: Modelo CBOW - Word2Vec (Mikolov et al.).
(INAOE) 10 / 31
Introduccion
Tecnicas novistasRepresentacionesdistribuidas
Explicabilidad eInterpretabilidad
DL - GANs
DesarrolloHistorico
Perspectivas yRetos
Super-Inteligencia
Tecnicas no vistas Representaciones distribuidas
Representaciones distribuidas
Figure: Modelo Skyp gram - Word2Vec (Mikolov et al.).
(INAOE) 11 / 31
Introduccion
Tecnicas novistasRepresentacionesdistribuidas
Explicabilidad eInterpretabilidad
DL - GANs
DesarrolloHistorico
Perspectivas yRetos
Super-Inteligencia
Tecnicas no vistas Representaciones distribuidas
Representaciones distribuidas
• Extension: aprendizaje simultaneo derepresentaciones para documentos.
Figure: Vector parrafo - Q. Lee et al..
(INAOE) 12 / 31
Introduccion
Tecnicas novistasRepresentacionesdistribuidas
Explicabilidad eInterpretabilidad
DL - GANs
DesarrolloHistorico
Perspectivas yRetos
Super-Inteligencia
Tecnicas no vistas Explicabilidad e Interpretabilidad
Explicabilidad e Interpretabilidad
• Avances en aprendizaje computacional ha permitidoobtener modelos que obtiene desempeno comparableal de humanos en diversas tareas (e.g., deepface).
• Sin embargo, dichos modelos estan limitados en cuantoa que no se puede decir mucho sobre:
• Cual es la razon detras de unadecision/recomendacion? (explicabilidad)
• Que explica el funcionamiento interno del modelo?(interpretabilidad)
(INAOE) 13 / 31
Introduccion
Tecnicas novistasRepresentacionesdistribuidas
Explicabilidad eInterpretabilidad
DL - GANs
DesarrolloHistorico
Perspectivas yRetos
Super-Inteligencia
Tecnicas no vistas Explicabilidad e Interpretabilidad
Explicabilidad e Interpretabilidad
Figure: D. Gunn - DARPA.
(INAOE) 14 / 31
Introduccion
Tecnicas novistasRepresentacionesdistribuidas
Explicabilidad eInterpretabilidad
DL - GANs
DesarrolloHistorico
Perspectivas yRetos
Super-Inteligencia
Tecnicas no vistas Explicabilidad e Interpretabilidad
Explicabilidad e Interpretabilidad
• Esfuerzos actuales:• Analisis, interpretacion, visualizacion de pesos de
modelos• Explicabilidad de modelos de caja negra (e.g., explicar
la superficie de decision de un clasificador)• Uso de metodos de captioning para explicar las
recomendaciones de un modelo• Modelos probabilistas, basados en gramaticas para
explicar las decisiones de los modelos• Identificacion de instancias prototıpicas para explicar los
datos
(INAOE) 15 / 31
Introduccion
Tecnicas novistasRepresentacionesdistribuidas
Explicabilidad eInterpretabilidad
DL - GANs
DesarrolloHistorico
Perspectivas yRetos
Super-Inteligencia
Tecnicas no vistas DL - GANs
Redes adversarias - generativas
• Objetivo: entrenar redes generativas profundas quemodelen mejor la distribucion de los datos
• Idea: Entrenamiento con adversario, se entrenasimultaneamente
• Un modelo generativo G: intenta capturar la distribucionde los datos
• Un modelo discriminativo D: intenta distinguir ejemplosreales de los generados por G
(INAOE) 16 / 31
Introduccion
Tecnicas novistasRepresentacionesdistribuidas
Explicabilidad eInterpretabilidad
DL - GANs
DesarrolloHistorico
Perspectivas yRetos
Super-Inteligencia
Tecnicas no vistas DL - GANs
Redes adversarias - generativas
Figure: GANs1.
1https://www.analyticsvidhya.com/blog/2017/06/introductory-generative-adversarial-networks-gans/
(INAOE) 17 / 31
Introduccion
Tecnicas novistasRepresentacionesdistribuidas
Explicabilidad eInterpretabilidad
DL - GANs
DesarrolloHistorico
Perspectivas yRetos
Super-Inteligencia
Tecnicas no vistas DL - GANs
Redes adversarias - generativas
Figure: Generando instancias con GANs.
(INAOE) 18 / 31
Introduccion
Tecnicas novistasRepresentacionesdistribuidas
Explicabilidad eInterpretabilidad
DL - GANs
DesarrolloHistorico
Perspectivas yRetos
Super-Inteligencia
Tecnicas no vistas DL - GANs
Redes adversarias - generativas
Figure: Generando instancias multimodales con GANs.(INAOE) 19 / 31
Introduccion
Tecnicas novistasRepresentacionesdistribuidas
Explicabilidad eInterpretabilidad
DL - GANs
DesarrolloHistorico
Perspectivas yRetos
Super-Inteligencia
Desarrollo Historico
Resumen
• El area de aprendizaje computacional empezo con lasprimeras computadoras y con la conviccion de que lacreacion de maquinas inteligentes necesitaba contarcon aprendizaje
• Durante su desarrollo ha sufrido diversos cambios yevoluciones
(INAOE) 20 / 31
Introduccion
Tecnicas novistasRepresentacionesdistribuidas
Explicabilidad eInterpretabilidad
DL - GANs
DesarrolloHistorico
Perspectivas yRetos
Super-Inteligencia
Desarrollo Historico
Evolucion
Antes AhoraEvaluacion informal, pocosdatos, no generalizable
Evaluaciones formales,medida de desempenos,creacion de benchmarks
Representacionessimbolicas, cercanıacon ciencias cognitivas,restrictivo a pocas areas
Apertura a otras areascomo PR y NN
Diversos tipos de apren-dizaje
Datos y evaluacionesproposicionales, enfasis enclasificacion y regresion
(INAOE) 21 / 31
Introduccion
Tecnicas novistasRepresentacionesdistribuidas
Explicabilidad eInterpretabilidad
DL - GANs
DesarrolloHistorico
Perspectivas yRetos
Super-Inteligencia
Desarrollo Historico
Evolucion
Antes AhoraIntimamente ligado a IA Separacion de IA a ML (re-
cientemente se esta jun-tando de nuevo)
I/O: Relacional, razon-amiento, planes, experien-cias, ...
Atributo-valor (algo en ILP yStatistical Relational Learn-ing), tendencia en que seaDNN quien defina la repre-sentacion
Sistemas inteligentes (AM,SOAR, ...), comportamien-tos “ricos” (semanticamentepara tareas complejas)
Enfasis en desempeno yestadısticas
(INAOE) 22 / 31
Introduccion
Tecnicas novistasRepresentacionesdistribuidas
Explicabilidad eInterpretabilidad
DL - GANs
DesarrolloHistorico
Perspectivas yRetos
Super-Inteligencia
Desarrollo Historico
Evolucion
Antes AhoraUso de conocimiento deldominio (EBL, ILP, theoryrevision, ...)
Muchos datos, mejoraen desempeno (poco enaprender de pocos datosusando BK)
Reflexiones sobre resulta-dos, a que se deben, ...
Formalismo matematico(con sesgo) y comparacion“ciega” de desempenos
(INAOE) 23 / 31
Introduccion
Tecnicas novistasRepresentacionesdistribuidas
Explicabilidad eInterpretabilidad
DL - GANs
DesarrolloHistorico
Perspectivas yRetos
Super-Inteligencia
Perspectivas y Retos
Persepectivas
• Desde hace tiempo se tiene un desarrollo acelerado delarea (se pueden ver en el numero de artıculos y foros)
• En parte ha sido impulsado por un interes comercialque le han dado diversos nombres: KDD, Big Data,Deep Learning, ...
• Se esta viviendo un re-surgimiento del area deInteligencia Artificial (otra vez) con grandesexpectativas (antes: Inicios, Sistemas Expertos, NN,KDD; ahora: DL)
(INAOE) 24 / 31
Introduccion
Tecnicas novistasRepresentacionesdistribuidas
Explicabilidad eInterpretabilidad
DL - GANs
DesarrolloHistorico
Perspectivas yRetos
Super-Inteligencia
Perspectivas y Retos
Retos
• Aprendizaje sin (con poca) guıa• Diversos tipos de aprendizaje, concurrentes, y por largo
tiempo• Aprendizaje de “sentido comun”• Seleccion automatica de informacion relevante• Aprender con poca informacion• Organizacion del conocimiento aprendido
(INAOE) 25 / 31
Introduccion
Tecnicas novistasRepresentacionesdistribuidas
Explicabilidad eInterpretabilidad
DL - GANs
DesarrolloHistorico
Perspectivas yRetos
Super-Inteligencia
Super-Inteligencia
Super-Inteligencia
• Durante muchos anos, los investigadores de IA sedejaron de cuestionar si era posible crear unainteligencia artificial
• A pesar del entusiasmo inicial, el problema resulto sermucho mas difıcil de lo anticipado
• Con los avances recientes, tanto en generacion yacceso a datos, computadoras mas veloces, yalgoritmos de DL, la gente ya no se cuestiona si se va alograr, sino cuando y cuales pueden ser susconsecuencias
• Algunos autores predicen que con el desarrollo actualsera posible crear una super-inteligencia (entes masinteligentes que el hombre)
(INAOE) 26 / 31
Introduccion
Tecnicas novistasRepresentacionesdistribuidas
Explicabilidad eInterpretabilidad
DL - GANs
DesarrolloHistorico
Perspectivas yRetos
Super-Inteligencia
Super-Inteligencia
Super-InteligenciaExisten varios candidatos para crear super-inteligencias:
• IA: algunos creen la mas probable y cercana• Emulacion del cerebro: Crear cerebros artificiales con
base en los biologicos• Bio-ingenierıa (DNA): Cambiar el DNA para promover
inteligencia (selective breeding)• Implantes cerebrales: Combinar el cerebro con
implantes que aumenten la capacidad cerebral (e.g.,conectarse a Internet - memoria ilimitada, transmisionde datos, calculos complejos ...)
• Farmacos: Aumentar la capacidad cerebral por mediode farmacos
• Organizacion Grupal: Crear grupos especıficos pararesolver problemas difıciles (super-inteligenciacolectiva)
(INAOE) 27 / 31
Introduccion
Tecnicas novistasRepresentacionesdistribuidas
Explicabilidad eInterpretabilidad
DL - GANs
DesarrolloHistorico
Perspectivas yRetos
Super-Inteligencia
Super-Inteligencia
Super-Inteligencia
Con base en encuestas de cuando se podrıa tener unainteligencia a nivel del ser humano (HLMI):
• 2030 - 10%• 2050 - 50%• 2100 - 90%
Cuanto tiempo despues se va a tener unasuper-inteligencia:
• 2 anos despues - 5%-10%• 30 anos despues - 50%-75%
(INAOE) 28 / 31
Introduccion
Tecnicas novistasRepresentacionesdistribuidas
Explicabilidad eInterpretabilidad
DL - GANs
DesarrolloHistorico
Perspectivas yRetos
Super-Inteligencia
Super-Inteligencia
Super-Inteligencia
• Creen que en cuanto nos acerquemos a unainteligencia, se va a dar muy rapido la creacion de unasuper-inteligencia
• Lo que se cree es que al crear un ente inteligente, esteva a poder desarrollar uno mas inteligente y asısucesivamente (y algunos creen que se puede dar muyrapido - meses/anos)
• Dadas las expectativas que se tiene se esta creandouna carrera hacia esto (parecido a la carrera a la luna)
(INAOE) 29 / 31
Introduccion
Tecnicas novistasRepresentacionesdistribuidas
Explicabilidad eInterpretabilidad
DL - GANs
DesarrolloHistorico
Perspectivas yRetos
Super-Inteligencia
Super-Inteligencia
Super-Inteligencia
• Posiblemente se vaya a crear un “singleton” con ventajay dominio competitivo sobre los demas
• Si no lo crea un gobierno, que tal un grupo terrorista?• Se pueden monitorear los avances de los diversos
grupos? Se harıan colaboraciones intenacionales?
(INAOE) 30 / 31
Introduccion
Tecnicas novistasRepresentacionesdistribuidas
Explicabilidad eInterpretabilidad
DL - GANs
DesarrolloHistorico
Perspectivas yRetos
Super-Inteligencia
Super-Inteligencia
Super-Inteligencia
Miedos:• Se van a desplazar empleos (los no o poco calificados)
y se cree que pronto (aunque no se tenga unasuper-interligencia)
• Miedo de que termine con la raza humana• Se podrıa controlar?• Se pueden inculcar valores “humanos”?
(INAOE) 31 / 31