211service.com
Algorytmy Brainy Learning Numenta
Jeff Hawkins ma doświadczenie w przewidywaniu przyszłości. Założyciel firmy Palm i wynalazca PalmPilota, spędził lata 90. rozmawiając o nadchodzącym świecie, w którym wszyscy będziemy nosić w kieszeniach potężne komputery. Nikt wtedy w to nie wierzył — ludzie myśleli, że zwariowałem, mówi. Oczywiście jestem zachwycony tym, jak skuteczne jest dziś przetwarzanie mobilne.
Co dalej: Wynalazca PalmPilota w latach 90., Jeff Hawkins, opracował teraz nowy zestaw algorytmów predykcyjnych inspirowanych działaniem kory nowej, czyli ośrodka planowania w mózgu.
W swojej obecnej firmie Numenta , Hawkins pracuje nad innym pomysłem, który wydaje się pochodzić z lewego pola: kopiowaniem działania naszych własnych mózgów w celu tworzenia oprogramowania, które podejmuje trafne, błyskawiczne decyzje dla dzisiejszych firm zalewanych danymi. On i jego zespół pracują nad swoimi algorytmami od 2005 roku i w końcu przygotowują się do wydania wersji gotowej do użycia w produktach. Technologia Numenta jest przeznaczona do różnych zastosowań, takich jak ocenianie, czy transakcja kartą kredytową jest fałszywa, przewidywanie, co użytkownik sieci kliknie w następnej kolejności, lub przewidywanie prawdopodobieństwa nawrotu choroby u konkretnego pacjenta w szpitalu.
Wspólną cechą tych przykładów jest to, że zawierają złożone wzorce, które ewoluują w czasie, mówi Hawkins. Algorytmy mogą analizować i ekstrapolować te wzorce, ponieważ zapożyczają techniki z części ludzkiego mózgu, które ewoluowały, aby interpretować złożone dane płynące z naszych zmysłów i używać ich do przewidywania, co może nadejść.
Niektóre firmy już testują najnowsze podejście Numenty. Jednym z nich jest Sm4rt Security Services, firma zajmująca się bezpieczeństwem komputerowym z siedzibą w Mexico City. Zostaliśmy zatrudnieni przez jeden z największych banków na świecie, aby udowodnić, że ta nowa technologia jest w stanie zapobiegać oszustwom związanym z kartami, mówi dyrektor generalny Victor Chapela. W ciągu zaledwie trzech miesięcy udało nam się dopasować dokładność istniejących systemów, które rozwijane były przez ponad 25 lat.
Bank wprowadzi w przyszłym roku narzędzie do sprawdzania oszustw oparte na Numenta, obok swoich istniejących środków, mówi. Bank jest ofiarą oszustw na ponad 100 milionów dolarów rocznie, mówi, więc wszystko, co może obniżyć nawet ułamek tego, ma bardzo szybki zwrot.
Technologia Numenta jest atrakcyjna dla banków, ponieważ jej zdolność uczenia się na podstawie wcześniejszych danych omija kluczowe ograniczenie technologii zapobiegania oszustwom. System komputerowy banku ma zaledwie 10 milisekund na podjęcie decyzji, czy autoryzować transakcję, mówi Chapela: Po prostu nie ma czasu na wyszukiwanie przeszłych transakcji danej osoby. W rezultacie transakcje są zazwyczaj podzielone na wąsko zdefiniowane kategorie i oceniane zgodnie z regułami specyficznymi dla każdej z nich — regułami, które dotyczą takich cech, jak typ karty, pobrana kwota i rodzaj sprzedawcy.
Ale technologia Numenty sprawia, że te oddzielne zestawy zasad są niepotrzebne. Zamiast tego, surowy kanał wzorców wydatków każdej osoby jest używany do trenowania zestawu algorytmów, aby mogli nauczyć się nawyków klienta. W każdej chwili system posiada zinternalizowaną reprezentację przeszłych zdarzeń, której używa do przewidywania, jakie rodzaje transakcji mogą nastąpić w następnej kolejności. Jeśli nowa transakcja nie spełnia tych oczekiwań, może zostać oznaczona jako potencjalne oszustwo. W tym podejściu detektory oszustw są zawsze aktualne, mówi Chapela. Z drugiej strony tradycyjny system analityczny musi mieć aktualizowane zasady w żmudnym procesie, który zwykle przeprowadza się tylko raz na sześć miesięcy.
Inspiracja Hawkinsa dla podstawowej technologii pochodzi z kory nowej, pomarszczonej zewnętrznej warstwy naszego mózgu, która jest odpowiedzialna za takie czynności, jak mowa, ruch i planowanie. Co zaskakujące, te bardzo różne zdolności wyłaniają się ze wspólnej architektury neuronów, a nie z różnych grup neuronów o bardzo specyficznych cechach.
Hawkins zapożyczył tę ideę wspólnej architektury. Używamy podstawowych źródeł na temat neuronauki jako przewodnika, więc jest w tym ogromna ilość biologii, mówi. Algorytmy symulują kilka warstw neuronów przetwarzających informacje w korze nowej. Dolna warstwa otrzymuje surowe dane wejściowe, a następnie przekazuje przetworzoną i skondensowaną wersję do kolejnej warstwy algorytmów. Gdy informacja wznosi się w górę tego hierarchicznego modelu, zostaje wyabstrahowana z oryginału i wyodrębnione zostają najważniejsze cechy, mówi Itamar Arel , który pracuje nad uczeniem maszynowym na Uniwersytecie Tennessee.
Zdolność systemu do przewidywania rozwoju wydarzeń jest zakorzeniona w jego wyjątkowej zdolności do przetwarzania danych czasowych lub zależnych od czasu. Konwencjonalne oprogramowanie edukacyjne nie może tego zrobić, ponieważ nie radzi sobie z danymi wejściowymi składającymi się z wielu zmiennych, które zmieniają się w czasie. Zamiast tego inżynierowie zazwyczaj muszą wyodrębnić garść zmiennych, które ich zdaniem są przydatne, i wprowadzić je do algorytmów.
To wstępne przetwarzanie nie jest konieczne w modelach inspirowanych badaniami biologicznych mózgów, mówi Arel. Zamiast tego system uczenia się może sam decydować, co jest ważne, a co nie. Jest to rozwijająca się dziedzina nazwana głębokim uczeniem maszynowym. Jednak większość wysiłków akademickich skupia się na przetwarzaniu obrazów, mówi. Wyjątkową cechą Numenty jest to, że potrafi obsługiwać dane czasowe, co otwiera różne rodzaje aplikacji. Wśród przykładów, jakie przewiduje Hawkins: firmy mogłyby lepiej analizować ludzką mowę lub wzorce zużycia energii elektrycznej w budynkach.
Ale chociaż takie podejście stwarza perspektywę systemów, które mogą uczyć się o dowolnym rodzaju danych, zamiast specjalizować się tylko w jednym zadaniu, firma Numenta wciąż musi udowodnić, że jej technologia ma szerokie zastosowanie i jest opłacalna. Nie jest również jasne, w jaki sposób firma wprowadzi tę technologię na rynek, ale prawdopodobnie będzie ona miała postać narzędzi programistycznych, a nie gotowych produktów. Teraz, gdy technologia naprawdę działa, mówi Hawkins, w przyszłym roku przejdziemy do trybu rozwoju produktu.