Ito ang Nangyayari Kapag Nakahulugan ang Donald Trump ng Artipisyal na Katalinuhan

Si Bradley Hayes, isang postdoctoral associate sa MIT na gumagawa ng pananaliksik sa robots, ay nagpapatuloy lamang kay Donald "Drumpf" Trump sa isang robot. Nag-program siya ng isang paulit-ulit na neural network - isang artipisyal na katalinuhan - upang pag-aralan at tularan ang mga pahayag ng Republikano-ish na kandidato.

Ang "araw ng trabaho ni Hayes," sabi niya, ay "pananaliksik na nakatutok sa mga tao-robot teaming: pagdisenyo algorithm na ipaalam sa mga robot na magkasama at matuto mula sa mga tao upang ang mga tao ay maaaring maging mas ligtas, mas mabisa, mas epektibo sa kanilang mga trabaho." @DeepDrumpf ay isang "proyekto sa panig." Drew inspirasyon niya, sa bahagi, mula sa "fantastic sketch" ni John Oliver. ("Sana ay makikita niya ito - sana ay makikita niya ito at pahalagahan ito.")

Kabaligtaran nakipag-usap kay Hayes tungkol sa patriotikong pagsisikap na ito.

Ano ang iba pang inspirasyon sa iyo upang gumawa ng @DeepDrumpf?

Ito ay dumating mula sa isang pag-uusap ng tanghalian sa ilang mga kasamahan sa akin na din gawin robotics pananaliksik at pakikitungo sa pag-aaral ng machine. Pinag-uusapan natin ang tungkol sa ilang iba't ibang mga estadistika sa pagmomolde ng estatistika na talagang may kaugnayan sa ating pananaliksik.Ito ay lumiliko na ang parehong pamamaraan na sa likod ng DeepDrumpf ay gumagana sa maraming mga domain ng robotics, dahil ito ay isang pagmomolde pamamaraan na sinusubukan upang malaman ang istraktura ng sunud na impormasyon, o sunud-sunod na data. Ang likas na wika ay isang mahusay na halimbawa ng sunud-sunod na data, kung saan ang istraktura ng pangungusap ay pantay-pantay na pare-pareho: mayroong mga panuntunan, at mayroong pinagbabatayan na istraktura sa lahat ng data na nakukuha mo.

Manirahan 100 milyon? At ngayon ako ay nagtatayo sa buong mundo. At mayroon akong medyo cool.

- DeepDrumpf (@DeepDrumpf) Marso 4, 2016

Ang isang iba't ibang mga mananaliksik sa Stanford ay nagsulat ng isang kurso sa mga neural network, at, sa partikular, inilathala ang isang artikulo na may pamagat na "Ang Hindi makatwiran na Epektibo ng paulit-ulit Neural Network." Kaya, isinulat niya ito kamangha-manghang panimula sa statistical pagmomolde pamamaraan, at isang grupo ng mga ipinakita ng mga tao na mayroon itong di-makatuwirang kapangyarihang ito na kumatawan sa istraktura sa ganitong uri ng pagsulat ng data ng libreng-form na teksto.

Nakita ko ang isang artikulo na naghahambing sa pagiging masalimuot ng pananalita ng iba't ibang mga pampulitikang harap. Sinasabi ng artikulo kung paano ang paggamit ng Trump ng mas simple na wika, at malaking hit ito sa kanyang demograpikong pagboto at sa kanyang mga tagahanga. Mula sa isang pampulitikang pananaw, napakagaling iyan, sapagkat ginagawa nito ang iyong mensahe na malinaw at nasa isip ng pinakamalawak na posibleng madla; mula sa isang pananaw sa pag-aaral ng makina, nangangahulugang ito ay maaaring ang pinaka-tractable modelo na maaari naming gawin.

Narinig mo ba ang isang coding na tinatawag na "Gumawa ng Python Great Again"?

Alam mo, nakita ko ito kahapon. TrumpPython o isang bagay na tulad nito? Nakita ko iyon. Nabasa ko ang isang artikulo tungkol dito, nagpunta ako sa kanilang GitHub na pahina, ngunit wala pa akong oras upang makapaglaro dito. Ngunit mukhang mahusay.

Maaari ba kaming matuto ng anumang bagay tungkol sa mga tendensiyang linggwistikong Trump, o anumang bagay na tulad nito, mula sa iyong A.I.?

Oo, posible sa kamalayan na, kung titingnan mo ang output mula sa modelo, ito ay nagpapahiwatig ng istraktura na natutunan ng modelo mula sa data. Kaya ang mga uri ng pag-uulit, ang mga uri ng mga bagay na lumalabas sa modelo, ay sasabihin sa iyo - potensyal - tungkol sa ilang mga bagay na likas sa kanyang mga pattern ng pagsasalita at ang kanyang mensahe.

Kansas Sinabi nilang lahat, "Hindi ko kailangan ang anuman. Mayroon silang isang kakila-kilabot na bansa, at may espesyal na imprastraktura, ang ating bansa ay nangangailangan ng mayaman.

- DeepDrumpf (@DeepDrumpf) Marso 4, 2016

Hindi mo talaga magagawang makuha iyon mula sa Twitter account mismo, karamihan dahil ang Twitter ay nagbibigay sa iyo ng 140 character upang magtrabaho kasama. At, dahil walang kabuuan ng data na lumabas sa modelo, at bahagyang din dahil ang mga transcript ay mula sa mga debate - kung saan ang mga kandidato (at lalo na Trump) ay may posibilidad na matakpan ang kanilang mga sarili - ito ay gumagawa para sa mga pagkaantala sa output.

Mayroong pa rin ng isang maliit na gawain ng mano-manong kinakailangan upang lubos na makatikim ng isang pader ng teksto mula sa modelong ito at pagkatapos ay pumunta sa pamamagitan ng ito at piliin ang pinakamahusay na magkadikit 140-character na tipak, at pagkatapos ay mag-post na.

Ito ang negosyong ito. Ang aming pangulo ay Obamacare. ngayon, sa ito ay kung ano ang hindi. Maraming salamat. Hindi kami isang cheerleader interesado kami

- DeepDrumpf (@DeepDrumpf) Marso 4, 2016

Kaya hindi ito masyadong kamay-off sa puntong ito?

Ito ay epektibong natututo bilang probabilidad ng pamamahagi, at maaari mong sample mula dito. Ang ibig sabihin nito ay - mayroon kang modelo at maaari mong hilingin ito para sa isang liham. At, kung hihilingin mo ito ng sapat na mga titik sa isang hilera, bibigyan ka nito ng mga bagay na katulad ng Ingles. O, kahit na mas mabuti, ang ilan sa kanila ay katulad ng mga bagay na maaaring sinabi ni Trump - dahil sinanay ito sa kanya. Kaya, ang pangkalahatang proseso na sinusunod ko ay: Gusto ko ng sample, sabihin, 500 o 1,000 mga character mula dito. Bibigyan lamang ako ng isang pader ng teksto na may 500 o 1,000 mga character na halaga, hulaan ko, ramblings, at pagkatapos, mula sa loob na, kukunin ko na lang piliin ang pinakamahusay na 140-character block na ang akma. O ang pinakamahusay na pangungusap na nanggagaling sa mga ito na tila uri ng may-katuturan.

Halimbawa, noong nakaraang gabi ginamit ko ito sa uri ng live-tweet na debate. At sa gayon, ang isa sa mga bagay na maaari mong gawin sa isang modelo tulad nito ay maaari mo itong pangunahin. Kaya, dahil ang modelo lamang ay nagbibigay sa iyo ng isang character sa isang panahon, ito ay may ganitong pag-asa sa mga character na na dumating bago ito - ang mga titik na ito output dati. Ganiyan ang natututo ng mga salita, ganito ang pagkakasunod nito sa istraktura ng pangungusap at ilang mga elemento ng balarila.

Sabihin nating simulan ko ang aking pangungusap na may 'Romney is' at pagkatapos ay hilingin ito para sa susunod na libong mga character. Tinatawag namin ang paghahanda. Bibigyan nito ang anumang nais na output, ngunit itatakda nito ang unang bahagi ng pagkakasunud-sunod sa 'Romney ay …'

Iyan ba ang tumutukoy sa mga tweet na may mga naka-bracket na parirala?

Tama.

Romney ay isang kasangkapan. Gusto kong sabihin sa iyo ito. Ang mga ito ay marahil ang huling bagay na kailangan natin sa isang pinuno, Hindi natin magawa iyon.

- DeepDrumpf (@DeepDrumpf) Marso 3, 2016

Isa sa mga bagay na inaasahan kong gawin, sa sandaling ang proseso ay isang mas malinis na cleaner - at darating na may higit pang data - ay upang simulan ang pagkakaroon nito makipag-ugnay sa iba pang mga kandidato. Kung titingnan mo ang Twitter account, sinusundan nito ang iba pang mga pangunahing kandidato. Sa kalaunan, inaasahan na ito ay magsisimulang tumugon sa mga ito at maaaring mahahamon sila. Ngunit iyan ay higit pa sa isang uri ng proyekto sa katapusan ng linggo.

@realDonaldTrump Magagawa nilang magbayad ngayon, at gusto, walang pasubali. Tunay na mayaman ako. Oh gusto kong suportahan at ipamuhay ang mga ito.

- DeepDrumpf (@DeepDrumpf) Marso 3, 2016

Maaari mo bang ipaliwanag kung ano ang isang paulit-ulit na neural network sa simplistic, unspecialized na wika?

Oo naman - susubukan namin. Ang isang neural net, sa pangkalahatan, ay tumatagal sa ilang input, pagkatapos ito ay ginagawa ang ilang mga matematika sa gitna, at ito ay nagbibigay sa iyo ng isang output. Sa pangkalahatan, ito ay isang classifier lamang. Kaya, bibigyan ng ilang input, sasabihin nito sa iyo kung anong klase ang nauugnay sa input. Ang isang sikat na halimbawa ay magiging - isang pangunahing neural net - bigyan mo ito ng isang larawan ng isang pusa, at nais mong sabihin sa iyo na - kung ito ay, tulad ng isang pusa, aso, o eroplano, o kotse - gusto mo ito ay sasabihin na "Okay - na may mataas na pagtitiwala - ito ay isang pusa na ibinigay mo lamang sa akin."

Kaya iyon ang mataas na antas ng pag-uuri ng gawain. Ito ay isang katulad na konsepto, ngunit sa halip na pusa, aso, kotse, ang mga klase ay ang mga indibidwal na titik ng alpabeto at bantas. Kaya kumukuha ng isang input, at pagkatapos ay ginagawa itong matematika batay sa kung ano ang natutunan nito - kaya ang lahat ng pag-aaral ay mangyayari 'sa gitna,' tatawagin namin ito - at binibigyan ka nito ng pag-uuri sa dulo. Kaya, tulad ng, ang liham na ito.

Ang bagay na gumagawa nito a pabalik-balik neural net ay na ang output mula sa mga nakaraang hakbang ay makakakuha ng fed sa susunod na hakbang bilang bahagi ng modelo. Ang katotohanan na ang modelo ay nagbigay sa akin ng isang 'M' ay magpapakain sa susunod na run-through ng modelo. Kaya pagkatapos ay maaaring bigyan ka ng isang 'a,' at pagkatapos ay isang 'k,' at pagkatapos ay isang 'e,' dahil sinusubukan nito na ilabas ang 'Gawing Amerikanong muli ulit,' sapagkat iyon ay kinakatawan sa maraming data.

Sigurado ka bang ipagmalaki ang anumang DeepDrumpf na mga tweet sa ngayon?

Oo, talaga. Mayroon akong isang pares na hindi pa talaga ako naka-post, ngunit -

Eksklusibo.

Tumatawa Eksakto. Ng mga na-post, ako ay lalong masaya sa 'Ako kung ano ang ISIS ay hindi kailangan.'

Hindi ako kailangan ng ISIS.

- DeepDrumpf (@DeepDrumpf) Marso 3, 2016

Tingnan natin … Ginawa ko ito sa binhi na 'Hindi ako racist, pero …' at ang pagpapatuloy ng iyan ay '… naniniwala ito,' na sa palagay ko ay medyo mahusay. I-save ko ang isang iyon para sa kapag ito ay naging may-katuturan, kung ito ay naging kaugnay.

Walang mabuting bagay na dumating pagkatapos ng mga salitang iyon.

Gusto mo bang bumoto para kay Donald Trump o bumoto para sa @DeepDrumpf?

Sa tingin ko may mga tradeoffs sa bawat isa sa mga pagpipilian.