President Donald Trump continues questioning the vote count on Twitter
Bradley Hayes, a MIT posztdoktori munkatársa, aki robotikai kutatást végez, csak Donald „Drumpf” Trumpot hozott robotba. Egy ismétlődő neurális hálózatot - mesterséges intelligenciát - programozott a republikánusok jelöltjének beszédeinek tanulmányozására és emulálására.
Hayes „napi munkája”, azt mondja, „az emberi-robot teamingra összpontosító kutatás: olyan algoritmusok tervezése, amelyek lehetővé teszik, hogy a robotok együtt dolgozzanak és tanuljanak emberektől, hogy az emberek biztonságosabbak, hatékonyabbak és hatékonyabbak legyenek a munkahelyükön.” @DeepDrumpf egy „oldalsó projekt”. Inspirációt szerzett John Oliver „fantasztikus vázlatáról”. („Remélhetőleg ezt látja - remélhetőleg meg fogja látni és értékelni fogja.”)
fordítottja beszélt Hayes-rel erről a hazafias törekvésről.
Mi inspirálta Önt @DeepDrumpf?
Ez egy ebédidõs megbeszélésbõl következett be, melyet az enyém kollégáimmal is folytattam, és akik robotkutatást végeznek és gépi tanulással foglalkoznak. Néhány különböző statisztikai modellezési technikáról beszéltünk, amelyek valóban relevánsak a kutatásunk szempontjából.Kiderült, hogy ugyanaz a technika, mint a DeepDrumpf, sok robotikai területen működik, mert egy olyan modellezési technika, amely megpróbálja megtanulni a szekvenciális információk szerkezetét, vagy a szekvenciális adatokat. A természetes nyelv a szekvenciális adatok nagyszerű példája, ahol a mondat felépítése meglehetősen következetes: vannak szabályok, és az alapul szolgáló struktúra az összes adathoz tartozik.
100 millió ember? És most az egész világon építek. És van egy kicsit hűvös.
- DeepDrumpf (@DeepDrumpf) 2016. március 4.
Egy másik kutató Stanfordban írt egy kurzust a neurális hálózatokról, és különösen közzétett egy cikket az „Ismétlődő neurális hálózatok ésszerűtlen hatékonysága” címmel. Szóval, ezt a fantasztikus bevezetőt írta a statisztikai modellezési technikának, és egy csomó az emberek megmutatták, hogy ez a megalapozatlan hatalom képviseli a struktúrát az ilyen szabad formájú szöveges adatok írásában.
Láttam egy olyan cikket, amely összehasonlította a különböző politikai előadók beszédkomplexitását. A cikk azt mondta, hogy Trump hogyan használ egyszerűbb nyelvet, és ez egy hatalmas hit a szavazó demográfiai és rajongóival. Politikai szempontból ez tényleg nagyszerű, mert az üzenetet egyértelművé teszi, és a lehető legszélesebb közönség körében megragadja; gépi tanulási szempontból ez azt jelenti, hogy ez lehet a leginkább kezelhető modell, amit meg tudunk tenni.
Hallottál volna egy kódolónyelvről, melyet a „Make Python Great Again” -nek neveztek?
Tudod, tegnap láttam. TrumpPython vagy valami ilyesmi? Ezt láttam. Olvastam egy cikket róla, elmentem a GitHub oldalukra, de még nem volt időm játszani vele. De jól néz ki.
Tudunk-e valamit megtudni Trump nyelvi tendenciáiról, vagy bármi ilyesmit, az A.I.-től?
Igen, abban az értelemben lehetséges, hogy ha megnézzük a modell kimenetét, azt jelzi, hogy a modell milyen módon tanulta meg az adatokat. Tehát az ismétlés fajtái, a típusokból eredő dolgok meg fogják mondani - potenciálisan - bizonyos dolgokról, amelyek a beszédmintáikhoz és az üzenetéhez tartoznak.
Mindannyian azt mondták: „Nincs szükségem semmire. Rettenetes országuk volt, és különleges infrastruktúrájú országunk gazdag.
- DeepDrumpf (@DeepDrumpf) 2016. március 4.
Nem feltétlenül tudná ezt a Twitter-fiókból eljutni, leginkább azért, mert a Twitter csak 140 karaktert ad hozzá. És mivel nem létezik egy csomó adat, ami a modellbe került, és részben azért is, mert az átiratok vitákból származnak - ahol a jelöltek (és különösen a Trump) hajlamosak megszakítani magukat.
Még mindig van egy kis kézi munka ahhoz, hogy alapvetően mintát lehessen venni ebből a modellből származó szövegből, majd átmegyünk rajta, és kiválaszthassuk a legjobb 140 karakteres nuggetet, majd tegyük közzé.
Ez üzlet. Elnökünk Obamacare. most, ez az, ami nem. Nagyon szépen köszönjük. Nem egy pompomlány, akit érdekel
- DeepDrumpf (@DeepDrumpf) 2016. március 4.
Tehát ebben a pillanatban nem túl kicsi?
Hatékonyan megtanulja a valószínűség-eloszlást, és belőle mintát vehet. Ez azt jelenti, hogy a modelled van, és egy levelet kérhetsz. És ha elegendő betűket kérsz egymás után, akkor olyan dolgokat adsz, amelyek hasonlítanak az angolra. Vagy még jobb, hogy néhányan hasonlítanak ahhoz, amit Trump valójában elmondott - mert megtanították. Tehát az általános folyamat, amelyet követettem: 500 vagy 1000 karakterből vettem mintát. Csak egy 500 vagy 1000 karakteres szöveges falat adnék nekem, azt hiszem, ramblings, és aztán belülről csak a legjobb 140 karakteres blokkot választom. Vagy az a legjobb mondat, amelyből kiindulva úgy tűnik, hogy releváns.
Például, tegnap este a vitához hasonlóan éltem. És így az egyik olyan dolog, amit tehetsz egy ilyen modellel, lehet, hogy megcsinálod. Tehát, mivel a modell egyszerre csak egy karaktert ad meg, ez a függés az előtte megjelenő karakterektől függ - a korábban kiadott betűk. Így megtanulja a szavakat, ez hogyan rögzíti a mondatszerkezetet és a nyelvtan egyes elemeit.
Mondd el, hogy elkezdem mondani a „Romney-val”, majd kérdezd meg a következő ezer karaktert. Ezt alapozásnak nevezzük. Bármilyen eredményt ad, amit akar, de a sorozat kezdeti részét a „Romney…”
Ezeket a tweteket szögletes mondatokkal hivatkozik?
Pontosan jobb.
Romney egy eszköz. Ezt szeretném elmondani. Valószínűleg az utolsó dolog, amire szükségünk van egy vezetőben, ezt nem tehetjük.
- DeepDrumpf (@DeepDrumpf) 2016. március 3.
Az egyik dolog, amiről remélem, hogy a folyamat egy kicsit tisztább lesz - és ez csak több adattal fog jönni -, hogy elkezdjük, hogy kölcsönhatásba lépjen a többi jelölttel. Ha megnézi a Twitter-fiókot, az követi a többi elsődleges jelölőt. Végül remélhetőleg elkezdenek reagálni rájuk, és talán kihívást jelentenek rájuk. De ez inkább egy hétvégi projekt.
@realDonaldTrump Most fognak fizetni, és tetszik. Nagyon gazdag vagyok. Ó, támogatni szeretném őket.
- DeepDrumpf (@DeepDrumpf) 2016. március 3.
Meg tudja magyarázni, hogy egy ismétlődő neurális hálózat egyszerű, nem-specifikus nyelven van?
Persze - megpróbáljuk. A neurális háló általában bemeneti, majd közepén csinál néhány matematikát, és egy kimenetet ad. Általában csak osztályozó. Tehát, bizonyos bemenetek miatt, megmondja, hogy melyik osztályba tartozik a bemenet. Egy népszerű példa lehetne - egy alapvető neurális háló - egy macska képét adod, és azt akarod, hogy elmondjam, hogy - ha ez egy macska, egy kutya, vagy egy sík, vagy egy autó - akarsz azt mondanám, hogy „Oké - nagy bizalommal - ez egy macska, amit épp most adtál nekem.”
Tehát ez a magas szintű besorolási feladat. Ez hasonló fogalom, de ahelyett, hogy macska, kutya, autó lenne, az osztályok az ábécé és az írásjelek egyéni betűi. Tehát egy bemenetet vesz igénybe, majd matematikát csinál annak alapján, amit tanult - így minden tanulás „közepén” történik, ezt nevezzük - és végül egy osztályozást ad. Szóval, mint, ez a levél.
A dolog, ami azt teszi visszatérő a neurális háló azt jelenti, hogy a korábbi lépések kimenete a következő lépésben kerül a modell részeként. Az a tény, hogy a modell „M” -et adott nekem, a modell következő lefutásába kerül. Szóval akkor adhat egy „a” -t, majd egy „k” -et, majd egy „e-t”, mert megpróbálja elhelyezni a „Make America great again” -t, mert ez sokat reprezentál az adatokban.
Ön különösen büszke-e minden DeepDrumpf tweettre?
Igen, valójában. Van egy párom, akit még nem tettem közzé, de -
Kizárólagos.
Nevet Pontosan. A kiküldöttek közül különösen örülök, hogy „milyen ISIS-nek nincs szüksége.”
Az ISIS-nek nincs szüksége.
- DeepDrumpf (@DeepDrumpf) 2016. március 3.
Lássuk,… „Nem én vagyok rasszista, hanem…”, és ennek folytatása „… higgye el”, amit úgy gondoltam, nagyon jó volt. Megmentettem ezt, amikor releváns lett volna.
A szavak után semmi jó nem jön.
Inkább szavazna Donald Trumpra, vagy szavazzon @DeepDrumpfért?
Azt hiszem, ezeknek a választásoknak vannak kompromisszumai.
A Microsoft mesterséges intelligenciát használ a rák megoldására
A Microsoft ezen a héten feltárta, hogy mesterséges intelligenciát használ, hogy segítse az orvosokat a rák kutatásában, kezelésében és potenciálisan gyógyításában.
A CIA „Kisebbségi jelentés” valósággá teszi a mesterséges intelligenciát a jövőbeli bűncselekmények előrejelzésére
A CIA mesterséges intelligencia technikákat alkalmaz a bűncselekmények előrejelzésére három-öt nappal korábban, hasonlóan a rendőrséghez Steven Spielberg „Kisebbségi jelentésében”.
A Fehér Ház jelentést tett a mesterséges intelligenciáról, és azt mondja A.I. Az orvosok valószínűleg inkább mint a gyilkos robotok
Egy új jelentésben a Fehér Ház azt mondta, hogy a hadsereg nagyobb valószínűséggel használja a mesterséges intelligenciát, hogy segítse a sebesült katonákat, mint az emberek megölése.