This site uses cookies.
Some of these cookies are essential to the operation of the site,
while others help to improve your experience by providing insights into how the site is being used.
For more information, please see the ProZ.com privacy policy.
This person has a SecurePRO™ card. Because this person is not a ProZ.com Plus subscriber, to view his or her SecurePRO™ card you must be a ProZ.com Business member or Plus subscriber.
Affiliations
This person is not affiliated with any business or Blue Board record at ProZ.com.
Open to considering volunteer work for registered non-profit organizations
Rates
English to Russian - Standard rate: 0.10 EUR per word / 30 EUR per hour / 8.00 EUR per audio/video minute Italian to Russian - Standard rate: 0.10 EUR per word / 30 EUR per hour / 8.00 EUR per audio/video minute
Payment methods accepted
Visa, Wire transfer, MasterCard, Payoneer
Portfolio
Sample translations submitted: 1
English to Russian: A Conversation with AI Pioneer Yoshua Bengio General field: Marketing Detailed field: IT (Information Technology)
Source text - English A CONVERSATION WITH AI PIONEER YOSHUA BENGIO
Deep learning expert Yoshua Bengio recently visited Microsoft’s Redmond, Washington, campus
When Microsoft acquired deep learning startup Maluuba in January, Maluuba’s highly respected advisor, the deep learning pioneer Yoshua Bengio, agreed to continue advising Microsoft on its artificial intelligence efforts. Bengio, head of the Montreal Institute for Learning Algorithms, recently visited Microsoft’s Redmond, Washington, campus, and took some time for a chat.
Let’s start with the basics: What is deep learning?
Yoshua Bengio: Deep learning is an approach to machine learning, and machine learning is a way to try to make machines intelligent by allowing computers to learn from examples about the world around us or about some specific aspect of it.
Deep learning is particular among all the machine learning methods in that it is inspired by some of the things we know about the brain. It’s trying to make computers learn multiple levels of abstraction and representation, which is presumably what makes these systems so successful.
Can you give us an example of how people are using deep learning?
Bengio: The most common way that deep learning is used is called supervised learning, which is when we give many examples to the computer of what it should be doing in many different contexts. For example, we provide millions of examples of somebody pronouncing sentences, and then we also know the transcription of what that sentence is, and we’d like the computer to go from the sounds to the words. So the computer gets the input that it would see in the real world, as well as what a human would do with it, and it tries to imitate the human through many, many examples of the task.
Deep learning has been around for decades. Can you talk about how we’ve gone from these early efforts to where we’re really seeing deep learning used in such a broad way today?
Bengio: It really started in the late 1950s that people started to think about AI and to think that, hey, we should maybe look at what’s going on in the brain and get some cues for building more intelligent machines. And then it sort of faded away and came back in the early eighties, up to about the early nineties, and again faded away because it didn’t work as well as people would have hoped. And now deep learning is in a third wave. About five years ago, we started having really amazing breakthroughs in applications like speech recognition, object recognition and now, more recently, natural language applications like machine translation.
For you as an expert in deep learning, what’s the most exciting work that you’re seeing right now?
Bengio: Right now I’m most excited about the progress we’re making in what’s called unsupervised learning. So this is one area where the current state of the art in machine learning and deep learning is way below what humans can do. A two-year-old child can learn by simply observing and interacting with the world. For example, she can understand physics without having to take classes and understand gravity and pressure and so on by playing and observing. This is unsupervised learning. We’re far from that kind of ability, but the good news is we’re making pretty impressive progress in that direction. It’s very important, because in order for machines to go beyond these very limited tasks they currently are good at we’ll need unsupervised learning.
We talk a lot at Microsoft about how we see artificial intelligence as augmenting the human experience in helping people do tasks. What are some of the most promising future capabilities that you see in terms of how AI can do some of that work?
Bengio: Well, the first important use of the progress we’re making in AI, especially with natural language, is the ability of the computer to talk to us in a way that’s more
natural. Right now we get very frustrated when we interact with a computer and we don’t know how to communicate the information or how to get information that we want. Natural language processing is going to make computers much more accessible to a lot of people who are not programmers. But beyond that, the idea that the computer actually understands our needs and our questions, and can find information but also reason and help us in our work, is very promising.
I want to go back to something you said earlier about how deep learning is often described as being inspired by how brains work. Why are deep neural networks inspired by our understanding of how brains work and how does that affect their potential?
Bengio: So from the very early days of neural networks, there was this idea that the computation performed in the brain can be abstracted by what each neuron in the brain does as a very simple mathematical operation. What the neural networks do is combine all of these little operations together, but each of the computations performed by a neuron can be changed and adapted. That corresponds to changes in the synapses in our brain, and that’s how we learn. It turns out that this style of machine learning, where the computer learns how to combine many elements together, is very powerful.
How far along are we in understanding how the brain works?
Bengio: The brain really remains a big mystery. Think of it like a big puzzle. We have all these elements and tens of thousands of neuroscientists around the world are observing many different elements, but we are missing the big picture. And what I and others believe and hope is that the progress we’re making in deep learning is going to help us discover that big picture. Of course, we don’t know, but there’s a lot of excitement right now in the scientific community about bringing together the more mathematical ideas in machine learning and deep learning with neural science in order to better understand the brain. And of course, the hope is that it actually goes in the other direction as well, because current deep learning is not at all at the level of human intelligence. Humans and human brains are able to do things that machines can’t, so maybe we can also learn about how brains do it and inspire future deep learning systems.
We hear a lot of speculation about what artificial intelligence can do.
Can you give us a sense of how close we are to creating artificial intelligence or deep learning techniques that do actually mimic how humans think and act?
Bengio: I get a lot of these kinds of questions, and my answer is always, ‘I don’t know.’ And I think no serious scientist should be giving you a straight answer, because there’s just a lot of unknowns. I mean, by definition we’re doing research in this field because we don’t know how to solve some set of problems. We know we’re making progress. We can guess that things are moving in the right direction. But how long is it going to take to really address the more difficult problems of more abstract understanding, for example? It’s impossible to answer. Is it five years? Is it 15 years? Is it 50 years? Right now we’re seeing some obstacles and we think we can tackle them. But maybe this is just a mountain hiding other mountains.
Can you talk about where deep learning fits in the context of all of the tools in which people are using artificial intelligence?
Bengio: Deep learning is changing the way that AI has been thought of in the last few decades, and it’s taking some of the ideas from more traditional approaches to AI and integrating them, combining some of those good ideas. Probably the best-known example of this is the fusion of deep learning and reinforcement learning.
So, reinforcement learning is a type of machine learning where the learner doesn’t get to know what a human would do in this context. The learner only gets to see if the actions were good or bad after a long set of actions. A lot of the recent progress in this area is in things like playing games, but reinforcement learning probably is going to be very important for things like self-driving cars.
Translation - Russian РАЗГОВОР С ПИОНЕРОМ В СФЕРЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЖОШУА БЕНЬО
Эксперт в области глубинного обучения Джошуа Беньо недавно посетил комплекс Microsoft в Редмонде, штат Вашингтон
Когда в январе Microsoft приобрела стартап Maluuba, специализирующийся на глубинном обучении, признанный эксперт и консультант компании Maluuba, пионер в сфере глубинного обучения Джошуа Беньо согласился консультировать Microsoft по вопросам искусственного интеллекта. Беньо, глава Монреальского института алгоритмов обучения, недавно посетил комплекс Microsoft в Редмонде, штат Вашингтон, и у нас появилась возможность с ним пообщаться.
Начнем с основ: что такое глубинное обучение?
Джошуа Беньо: Глубинное обучение – один из подходов к машинному обучению, а машинное обучение – это способ создания искусственного интеллекта, когда компьютеры на примерах познают мир вокруг нас или некоторые его аспекты.
Глубинное обучение отличается от всех других методов машинного обучения тем, что оно создано на основе некоторых наших знаний о мозге. С помощью него компьютеры овладевают нескольким уровням абстракции, что, вероятно, и делает эти системы такими успешными.
Вы можете привести примеры того, как люди используют глубинное обучение?
Беньо: Самый распространенный способ использования глубинного обучения называется «контролируемое обучение» – это когда мы даем компьютеру множество примеров того, что он должен делать, в различных контекстах. В частности, мы предлагаем миллионы примеров того, как разные люди произносят предложения, и даем транскрипцию предложения, чтобы компьютер переходил от звуков к словам. Компьютер получает те же данные, что и в реальном мире, изучает, что с ними делает человек, и имитирует действия человека, обучаясь на огромном количестве примеров выполнения одной и той же задачи.
Технология глубинного обучения существует на протяжении десятилетий. Можете рассказать, как шел процесс от ее зарождения до повсеместного использования сегодня?
Беньо: По-настоящему задумываться об ИИ люди стали в конце 1950-х годов. Решили посмотреть, что происходит в мозге, найти какие-то подсказки, чтобы создать более «умные» машины. Но потом всё это сошло на нет. Следующая волна возникла в начале восьмидесятых и завершилась в начале девяностых, но и она закончилась ничем, потому что технологии не сработали так, как надеялись люди. И теперь наступила третья волна развития глубинного обучения. Примерно пять лет назад у нас началась пора удивительных достижений в работе над приложениями для распознавания речи и объектов, а совсем недавно – и в использовании естественного языка, например, в приложениях для машинного перевода.
Для вас, как для эксперта в глубинном обучении, какая работа кажется сегодня наиболее значимой?
Беньо: Сейчас больше всего меня радует прогресс, которого мы достигли в так называемом «контролируемом обучении». Пока что в этой области уровень машинного и глубинного обучения несколько ниже того, что могут люди. Двухлетний ребенок может учиться, просто наблюдая и взаимодействуя с миром. Например, он может понимать физику, не обучаясь ей, и на практике узнавать о законах гравитации, давлении и многих других, просто играя и наблюдая. Это неконтролируемое обучение. Такие возможности нам пока недоступны, но, к счастью, мы достигли существенного прогресса в этом направлении. И это очень важно, ведь для того, чтобы машины выходили за рамки ограниченного набора задач, которые они сегодня могут решать, нам понадобятся возможности неконтролируемого обучения.
Мы в Microsoft много говорим о том, как искусственный интеллект может дополнять наш опыт и помогать в решении задач. Каковы самые многообещающие возможности, которые вы предвидите в будущем, какую работу ИИ сможет выполнять?
Беньо: Самым полезным будет то, что с развитием ИИ компьютеры научатся общаться с нами на более естественном языке. Случается, что при работе за компьютером нам бывает сложно сообщить или найти необходимую информацию. Использование естественного языка поможет сделать компьютеры гораздо более доступными для множества людей, не разбирающихся в программировании. Кроме того, сама идея, что компьютер понимает наши потребности и наши вопросы, может найти информацию, размышлять и помогать нам в работе, звучит многообещающе.
Я хочу вернуться к ранее сказанным вами словам о том, что в основе технологии глубинного обучения лежит знание закономерностей работы мозга. Почему технология построения глубоких нейронных сетей основывается на понимании работы мозга и как это влияет на их потенциал?
Беньо: С самых первых дней существования глубоких нейронных сетей возникла идея, что вычисления, совершаемые в мозге, могут быть разложены на очень простые математические операции, выполняемые каждым мозговым нейроном в отдельности. Что нейронные сети объединяют все эти маленькие операции вместе, но каждое вычисление, совершаемое нейроном, может быть изменено или адаптировано. Мы обучаемся благодаря таким изменениям синапсов в нашем мозге. Оказалось, этот стиль машинного обучения, когда компьютер учится соединению множества элементов вместе, обладает огромным потенциалом.
Как далеко мы продвинулись в понимании принципов работы мозга?
Беньо: Мозг по-прежнему является настоящей загадкой. Представьте, что это большой пазл. У нас есть множество отдельных элементов, и десятки тысяч ученых во всём мире изучают эти элементы, но целостной картины пока не сложилось.
Я, как и многие другие люди, верю и надеюсь, что прогресс, которого мы достигли в глубинном обучении, поможет нам открыть эту целостную картину. Конечно, мы этого не знаем наверняка, но сейчас в научном сообществе многие с энтузиазмом говорят об объединении математических познаний в машинном и глубинном обучении с данными нейробиологии для лучшего понимания работы мозга. И конечно, мы надеемся, что развитие пойдет также и в других направлениях, потому что сегодня глубинное обучение пока абсолютно не достигает уровня человеческого интеллекта. Человеческий мозг способен делать те вещи, которые не под силу машинам, но, возможно, нам удастся узнать, как мозг это делает, и, основываясь на этих знаниях, построить более совершенные системы глубинного обучения.
Сейчас многие рассуждают о том, что может делать искусственный интеллект. Скажите, насколько мы близки к созданию искусственного интеллекта или технологий глубинного обучения, которые могут имитировать то, как думают и действуют люди?
Беньо: Мне часто задают такие вопросы, и я всегда отвечаю: «Я не знаю». И я думаю, что ни один серьезный ученый не должен давать на такой вопрос прямого ответа, ведь здесь слишком много неизвестных. В сущности, мы занимаемся исследованиями в этой области, потому что не понимаем, как решить целый ряд проблем. Мы видим определенный прогресс. Мы можем догадываться, что движемся в правильном направлении. Но сколько времени займет решение самых сложных проблем абстрактного понимания, например? На этот вопрос невозможно ответить. Понадобится пять лет? Пятнадцать? Пятьдесят? Прямо сейчас мы видим некоторые препятствия и думаем, что можем с ними справиться. Но, возможно, за этим перевалом скрывается новая гора.
Расскажите о том, как глубинное обучение может использоваться там, где люди уже применяют искусственный интеллект.
Беньо: Технология глубинного обучения меняет взгляд на ИИ, доминировавший в последние несколько десятилетий. Она берёт отдельные идеи из традиционных подходов к ИИ и интегрирует их, и в итоге получаются хорошие идеи. Возможно, самый известный пример – это сплав глубинного и стимулированного обучения.
Стимулированное обучение – это вид машинного обучения, при котором обучающийся не узнаёт, что человек сделал бы в этой ситуации. Обучающийся может видеть, хороши действия или плохи, только после завершения длительной последовательности. Эта технология в последнее время достаточно успешно применяется в играх. Кроме того, очень вероятно, что стимулированное обучение будет использоваться, в частности, для развития беспилотных автомобилей.
More
Less
Translation education
Graduate diploma - Vladimir State Pedagogical University
Experience
Years of experience: 19. Registered at ProZ.com: Sep 2011.
Adobe Acrobat, Adobe Illustrator, Adobe Photoshop, CafeTran Espresso, DejaVu, Indesign, Microsoft Excel, Microsoft Office Pro, Microsoft Word, Aegisub, EZ Titles, Mac Captions, SubtitleEdit, Passolo, Powerpoint, SDLX, Trados Studio
