Berpikir Darwinian – Menuju AI — Publikasi AI dan Teknologi Terkemuka di Dunia

Pengarang: mer zgür

Etika

Foto oleh Hulki Okan Tabak di Unsplash

Beberapa orang telah memperbarui pandangan dan pemahaman orang lain tentang kehidupan dengan ide baru yang mereka hadirkan. Darwin tidak diragukan lagi salah satu dari orang-orang ini.

Perbedaan Darwin dari ahli biologi dan peneliti lain adalah ia menjelaskan proses evolusi dengan cara algoritmik dan mendasarkannya pada hukum alam. Ide berbahaya Darwin dimulai dalam biologi tetapi telah menyebar dari teknik ke sosiologi.

Ada kehebatan dalam gagasan ini untuk dapat membayangkan keindahan dan kerumitan yang tak terbatas. Dalam artikel ini, kita akan melihat bagaimana pemikiran Darwinian mengarah pada pembelajaran mesin dan algoritma pembelajaran.

Awal Sederhana Hingga Bentuk Tanpa Akhir

Evolusi sebagian merupakan algoritma optimasi. Ini mencari ruang probabilitas dengan mutasi dan reproduksi seksual dan mencoba menemukan solusi yang paling cocok. Juga, makhluk hidup adalah model biologis yang telah dihasilkan evolusi untuk bertahan hidup dan bereproduksi dalam kondisi tertentu.

Segala sesuatu di dunia mengandung desain tertentu. Obat-obatan, mobil, komputer, dan makhluk hidup semuanya telah dirancang. Hidup ini sangat kompleks. Kita sekarang tahu dengan Darwin bahwa, kerumitan ini bisa memiliki awal yang sederhana, dan ini memberi kita keberanian.

Misalnya, perceptron bisa mirip dengan sel. Jaringan saraf tiruan terdiri dari jutaan perceptron, dan mamalia terdiri dari miliaran sel. Inspirasi yang dapat kita ambil dari evolusi biologis adalah bahwa kita membutuhkan model dengan tingkat kerumitan tertentu untuk memecahkan masalah yang kompleks.

Kehidupan dapat diibaratkan sebuah struktur yang dimulai dari perceptron dan kemudian berkembang menjadi jaringan syaraf tiruan yang berbeda. Begitu evolusi dimulai, kompleksitas yang luar biasa sedang dalam perjalanan.

Algoritma Belajar Mandiri

“Saya berubah menjadi semacam mesin untuk mengamati fakta dan membuat kesimpulan” – Charles Darwin

Pemikiran Darwin membantu merancang algoritma evolusioner. Evolusi adalah pemecah masalah yang sangat efektif, dan para insinyur telah menggunakan fakta ini selama beberapa dekade. Algoritma Self-Learning memiliki cakupan yang lebih luas daripada algoritma evolusioner.

Menurut definisi, algoritme mengikuti instruksi yang diceritakan langkah demi langkah, seperti membuat kue. Self-Learning Algorithms, yang merupakan jenis algoritma tertentu, melakukan proses pembelajaran dengan berinteraksi dengan lingkungan untuk waktu yang terbatas untuk memecahkan masalah.

Hidup bahkan lebih kompleks dari yang diprediksi Darwin. Algoritma evolusi gagal menjelaskan kehidupan. Akan lebih konsisten untuk melihat kehidupan sebagai karya kolaboratif dari banyak algoritma Self-Learning.

Ini adalah bagian dari algoritma Self-Learning dalam Machine Learning. Target ditentukan untuk algoritme pembelajaran mesin, dan kemudian algoritme ini mencoba menemukan solusi optimal dalam waktu dan interaksi yang terbatas.

Fitur penting lainnya dari algoritma Self-Learning adalah mereka dapat bekerja di lingkungan yang berbeda. Mereka dapat bekerja dalam biologi, budaya, komputer, dan lingkungan yang berbeda.

Sekarang mari kita lihat bagaimana pembelajaran mesin dapat terinspirasi oleh evolusi biologis. Alam seperti medan perang yang selalu berubah di mana ada kerja sama.

Hipotesis Ratu Merah memberi tahu kita bahwa makhluk hidup harus beradaptasi dengan lingkungan yang terus berubah. Misalnya, saat kijang mulai berlari lebih cepat, cheetah harus berakselerasi. Kita dapat melihat kompetisi dan ko-evolusi semacam ini dalam prinsip kerja dasar jaringan permusuhan generatif (GAN). Co-evolution juga telah digunakan untuk mengalahkan manusia saat bepergian dan merupakan teknik yang efektif.

Exaptation adalah desain ulang struktur yang ada untuk tujuan yang berbeda dengan perubahan kecil dalam proses evolusi. Misalnya, sirip depan paus telah berevolusi dari desain seperti tangan menjadi sirip.

Transfer Learning adalah proses yang mirip dengan Exaptation. Anda dapat mengadaptasi fitur yang dipelajari untuk suatu masalah ke masalah baru dengan perubahan kecil.

Cari Ruang

Dari https://upload.wikimedia.org/wikipedia/commons/6/66/DE_landscape.png

Pohon kehidupan dapat dianggap sebagai perpustakaan yang terus-menerus ditulis. Perpustakaan ini memiliki banyak buku bagus yang menunggu untuk ditulis dan banyak yang hilang.

Ketika kita mulai berpikir Darwinian, kita menyadari bahwa setiap desain berada di hyperspace tertentu. Misalnya, gajah dan mammoth ada pada jarak dekat di hyperspace kehidupan.

Di ruang hyper-design yang berbeda, mungkin ada mobil, makhluk, budaya, bahasa, arsitektur CPU, dll.

Demikian pula, desain dan parameter algoritme pembelajaran mesin berada di ruang yang sama. Ia mencoba untuk menemukan daerah yang paling optimal di ruang ini menurut fungsi biaya.

Banyak metode berbeda telah dikembangkan untuk mengoptimalkan jenis ruang ini; Seperti algoritma evolusioner, penurunan gradien, optimasi gerombolan partikel, simulasi anil.

Perubahan adalah satu-satunya yang konstan

“Sekarang, di sini, Anda tahu, dibutuhkan semua lari yang dapat Anda lakukan, untuk tetap di tempat yang sama. Jika Anda ingin pergi ke tempat lain, Anda harus berlari setidaknya dua kali lebih cepat dari itu!” — Melalui Kaca Mata [1]

Perubahan adalah salah satu hukum dasar termodinamika. Ketika kita memeriksa sejarah kehidupan, kita melihat bahwa dunia terus berubah.

Model biologis telah mencoba untuk beradaptasi dengan perubahan ini sebanyak mungkin.
Dunia terkadang berubah sangat cepat dan terkadang sangat lambat. Makhluk hidup dan lingkungan berkembang bersama.

Pemikiran Darwin mengingatkan kita bahwa kita harus terus memperbarui model. Dunia terus berubah, dan model kami tidak lagi berfungsi sebaik dulu.

Seperti yang kita lihat dalam hipotesis Ratu Merah, kita harus berlari dua kali lebih cepat untuk maju.

Kesimpulan

Ketika kita mulai berpikir Darwinian, dunia tidak lagi tampak serumit dulu. Awal yang paling sederhana dapat berubah menjadi struktur yang paling kompleks.

Setelah algoritma belajar mandiri mengambil tindakan, mereka menavigasi gunung dan bukit dalam ruang kemungkinan yang tak terbatas. Dalam ruang kemungkinan ini, mungkin ada makhluk baru, model super ML, bahasa, atau mobil yang belum pernah ada sebelumnya.

Dunia adalah tempat yang berbeda. Lautan bisa menjadi gunung tertinggi dalam jutaan tahun. Karena lingkungan terus berubah, kami perlu memperbarui model saya.

Ada lebih banyak pandangan hidup ini daripada kemegahan…

– Sumber daya –

Ide Berbahaya Darwin -Daniel C. Dennett Mungkin Kurang Lebih Benar -Leslie Valiant
[1] Melalui Kaca Penampakan -Lewis Carroll

Thinking Darwinian awalnya diterbitkan di Towards AI on Medium, di mana orang-orang melanjutkan percakapan dengan menyoroti dan menanggapi cerita ini.

Diterbitkan melalui Menuju AI