„Visi žino", kad mašinos jau moka mokytis. Bet ar jos supranta, ko išmoko? Štai klausimas, kurį uždavė Vladimiras Vapnikas – vienas iš žmonių, kurie sukūrė tai, ką dabar vadiname „dirbtiniu intelektu". Jo atsakymas gali nustebinti.

Kelias mintis, kurias pasižymėjau, išvertė ChatGPT (taip, ironija akivaizdi – mašina verčia mintis apie tai, ar mašinos gali mąstyti):

Vladimiras Vapnikas išskiria instrumentalizmą ir realizmą suprantant mokslinius dėsnius, pabrėždamas, kad mašininio mokymosi modeliai dažnai orientuojasi į prognozavimą, o ne į gilesnį sąlyginės tikimybės suvokimą.

Matematika suteikia esminį pagrindą suprasti gamtos pasaulį, tarnauja tiek kaip praktinis įrankis, tiek kaip grožio šaltinis, atskleidžiantis įžvalgas, kurios viršija paprastą spekuliaciją.

Pamatinių realybės principų atradimas gali būti sudėtingas ir reikalauja kruopštaus matematinių tyrimų, dažnai atskleidžiant pagrindines tiesas, kurios buvo užtemdytos pradinio sudėtingumo.

Žmogaus intuicija gali pasireikšti akimirkomis, kai ji spindi, tačiau ji geriausiai įtvirtinama patvirtintais matematiniais principais, pabrėžiant griežto matematinio mąstymo svarbą tokiose srityse kaip mašininis mokymasis.

Mokymosi ir intelekto interpretacijos gali būti klaidingos, nes jas dažnai formuoja subjektyvios patirtys, o ne objektyvi realybė, pabrėžiant mokytojo vaidmens svarbą mokymo procese.

Sukurti priimtiną funkcijų rinkinį mokymosi teorijoje reiškia susidurti su sudėtingumu ir suprasti ryšį tarp treniravimo duomenų ir efektyvių modelių, kas yra esminė mašininio mokymosi intelekto dalis.

Giluminio mokymosi efektyvumas reikalauja tvirtos matematinės bazės, su akcentu į modelių gavimą iš duomenų, o ne iš savavališkų architektūrų.

Klausimas, ar mašinos gali mąstyti, performuluojamas nagrinėti imitaciją ir kolektyvinį intelektą, o ne vien individualius kognityvinius gebėjimus.

Suprasti sudėtingus algoritmus reikalauja platesnio realaus pasaulio galimybių spektro įvertinimo, kur paprastumas dažnai slepia sudėtingus iššūkius.

Matematika, filosofija ir menai yra tarpusavyje susiję, atspindėdami tas pačias pagrindines egzistencijos tiesas, o vienos srities įžvalgos praturtina kitas.

Kas čia įdomu – Vapnikas kalba ne apie tai, kaip padaryti geresnį algoritmą. Jis klausia, ar mes išvis suprantame, ką reiškia „suprasti". Matematika jam yra ne įrankis, o būdas pažinti tikrovę. Bent jau taip atrodo iš šios perspektyvos – gal ir klystu.

Kam įdomi ši tema — geras, manau, kad tinkamai neįvertintas, podcast epizodas.

P.S. Mokymas be supratimo – tai tik kopijavimas. Klausk savęs: ar tavo modelis (ar tu pats) iš tiesų supranta, ar tik labai gerai atkartoja? Atsakymas gali nustebinti.