211service.com
Speltiden är över
I början av förra året uppnådde en dator prestanda i världsklass i spelet Go – flera år innan de flesta trodde att en sådan bedrift skulle vara möjlig.
Det är imponerande, men våra ambitioner bör sättas högre. Datavetenskap kan hjälpa till att tillhandahålla det som världen kritiskt behöver: verktyg som gör det möjligt för oss alla att nå utöver vad vi trodde att vi var kapabla till. Förstärkningsinlärning – en integrerad del av Go-framgången – kan påskynda den processen (se 10 banbrytande teknologier: förstärkningsinlärning ).
Förstärkningsinlärning är ett sätt att få en dator att lära sig genom erfarenhet för att fatta en rad beslut som ger positiva resultat – även utan förkunskaper om hur dess handlingar kommer att påverka dess omedelbara miljö. En mjukvarubaserad handledare, till exempel, skulle ändra sina aktiviteter som svar på hur eleverna presterar på test efter att ha använt den.
Emma Brunskill
Om vi hoppas kunna skapa konstgjorda läraragenter med hjälp av förstärkningsinlärning, behöver vi algoritmer som är datasmarta. Vi kan samla in data från utbildningssystem online och använda dem för att hjälpa agenten att uppskatta effektiviteten av olika undervisningsmetoder. När en elev loggar in, bör systemet ge honom ett problem att lösa? Eller skulle det vara bättre att börja med en förklarande video? Uppgifterna kan hjälpa den att avgöra.
Men i vissa fall finns det inte tillräckligt med data, eller inte rätt sorts data, vilket gör det utmanande att utveckla system som fattar bra beslut. Det skulle vara trevligt om vi kunde skapa ett system som inte behövde så mycket data från början. Och det är precis vad min grupp arbetar med – vi utvecklar förstärkningsinlärningsalgoritmer och statistiska tekniker för att tillåta datorer att utveckla bra förslag samtidigt som de använder mindre data. Vi har fortfarande mycket att göra, men vi minskar klyftan mellan teori och praktik.
I slutändan bör vi inte överlåta allt till datorerna. Så kallad human-in-the-loop-förstärkningsinlärning kan påskynda processen, vilket gör att algoritmer kan resonera kring sin egen begränsade prestanda och nå ut till människor för att få hjälp när de till exempel behöver utöka uppsättningen av möjliga beslut. Min grupp och våra medarbetare vid University of Washington testar nu algoritmer för ett handledningssystem som kan avgöra om dess nuvarande läroplan inte gör det möjligt för alla studenter att lära sig bra, och ber sedan folk att lägga till nya tips till systemet. Sådana samarbeten mellan människa och dator kan hjälpa eleverna att lära sig med metoder som vi ännu inte kan föreställa oss. Denna vision om förstärkningsinlärning har artificiellt intelligenta agenter som omdefinierar hur enastående mänsklig prestation ser ut – och gör det möjligt för oss alla att uppnå det.
Emma Brunskill är biträdande professor i datavetenskap vid Stanford University .