211service.com
Algorytmy, które uczą się przy mniejszej ilości danych, mogą zwiększyć moc AI
W zeszłym roku Microsoft i Google pokazały, że ich algorytmy rozpoznawania obrazów nauczyły się najlepszych ludzi. Niezależnie stworzyli oprogramowanie, które mogło przekroczyć średni wynik ludzki w standardowym teście, który zmusza oprogramowanie do rozpoznawania obrazów tysiąca różnych obiektów, od meczetów po komary.
Jednak aby stać się wystarczająco dobrym, by pokonać ludzkość, oprogramowanie każdej firmy przeanalizowało 1,2 miliona oznaczonych obrazów. Dziecko może nauczyć się rozpoznawać nowy rodzaj przedmiotu lub zwierzęcia tylko na jednym przykładzie.
Uruchomienie Inteligencja geometryczna powiedział w poniedziałek, że opracował oprogramowanie do uczenia maszynowego, które jest znacznie szybszym badaniem. Dyrektor generalny Gary Marcus powiedział w Przegląd technologii MIT na konferencji EmTech Digital, że jego oprogramowanie XProp wymaga znacznie mniej przykładów niż dominująca forma oprogramowania do uczenia maszynowego, znana jako głębokie uczenie, aby nauczyć się nowego zadania wizualnego.
Marcus nie ujawnił szczegółów działania XProp. Ale pokazał wykres porównujący sposób, w jaki XProp i nieokreślony program do głębokiego uczenia wykonały test, który zmusza oprogramowanie do uczenia się rozpoznawania odręcznych cyfr.
Oba systemy mogłyby działać dokładniej przy większej ilości danych treningowych. Jednak oprogramowanie XProp firmy Geometric Intelligence może zawierać więcej przykładów treningowych, które zostało podane.
Na przykład, po obejrzeniu tylko około 150 przykładów każdej cyfry, rozpoznałby tylko około 2 procent nowych cyfr nieprawidłowo. Oprogramowanie do głębokiego uczenia wymagało około 700 przykładów każdego z nich, aby osiągnąć podobną wydajność.
To nie znaczy, że XProp jest koniecznie użyteczny. Rozpoznawanie odręcznych cyfr to mniej więcej rozwiązany problem. Dane treningowe są obfite, a najlepsze opublikowane wyniki przy użyciu oprogramowania do głębokiego uczenia się mają wskaźniki błędów na poziomie tylko około 0,2 procent . Przewaga wykazana przez XProp nad oprogramowaniem do głębokiego uczenia się w danych wykazanych przez Marcusa zmniejszyła się wraz ze wzrostem ilości danych treningowych.
Ale Marcus powiedział, że XProp również dał podobne wyniki na baza zdjęć numerów domów zebrana przez projekt Google Street View oraz inne testy rozpoznawania obrazu, co sugeruje, że technika stosowana przez firmę może mieć szerokie zastosowanie.
Wśród badaczy zajmujących się uczeniem maszynowym panuje powszechna zgoda, że potrzebne są nowe techniki, które mogą działać przy użyciu mniejszej ilości danych (patrz Algorytm AI uczy się prostych zadań tak szybko, jak my).
Głębokie uczenie jest bardzo głodne danych — uczymy się go szybciej — powiedział Marcus. To, co mamy, może czasami zmniejszyć potrzebne dane o połowę, a czasami o większy współczynnik.
Marcus, profesor psychologii na Uniwersytecie Nowojorskim, który spędził dziesięciolecia badając, jak uczą się dzieci, jest sceptyczny, że ostatnie postępy w takich obszarach, jak rozpoznawanie mowy i obrazów, które umożliwia głębokie uczenie się, z konieczności doprowadzą do postępu w trudniejszych obszarach, takich jak rozumienie języka ( zobacz Czy ten człowiek może uczynić sztuczną inteligencję bardziej ludzką? ).
Duże firmy komputerowe, takie jak Google, były w stanie stworzyć potężne oprogramowanie do rozpoznawania mowy i obrazu, wydając duże pieniądze na gromadzenie gigantycznych kolekcji oznaczonych danych treningowych. Marcus nie kwestionuje, że technologia doprowadzi do udanych produktów (patrz Google uważa, że jesteś gotowy na rozmowy z komputerami ). Uważa jednak, że tworzenie algorytmów wymagających mniejszej ilości danych jest konieczne, jeśli oprogramowanie ma zbliżyć się do sposobu, w jaki ludzie mogą szybko uczyć się nowych umiejętności lub dostosowywać się do zmieniających się okoliczności.
Żyjemy w erze big data i istnieje pomysł, że możemy po prostu rzucić więcej danych na ten problem, Marcus powiedział publiczności EmTech. Ale w przypadku niektórych problemów po prostu brakuje danych.
Mówił, że jednym z przykładów jest język. Przy nieskończonej liczbie możliwych zdań oprogramowanie szkoleniowe z oznaczonymi przykładami wszystkich możliwych znaczeń, które musi rozpoznać, po prostu nie jest możliwe. Marcus podał także autonomiczne samochody jako przykład, w którym żądne danych uczenie maszynowe może nie wystarczyć.
Powiedział, że jeśli samochód musi wielokrotnie doświadczać sytuacji, aby je opanować, wyszkolenie go, aby radził sobie z każdą możliwą sytuacją na drodze i pogodą, może zająć bardzo dużo czasu.