Dlaczego dyrektor generalny Google jest podekscytowany automatyzacją sztucznej inteligencji

Sundar Pichai na dorocznej konferencji deweloperów firmy w Mountain View w Kalifornii.

Brakuje ekspertów od uczenia maszynowego, ponieważ firmy z wielu branż spieszą się, aby skorzystać z ostatnich postępów w dziedzinie sztucznej inteligencji. Dyrektor generalny Google mówi, że jednym z rozwiązań niedoboru umiejętności jest przejęcie przez oprogramowanie do uczenia maszynowego części prac związanych z tworzeniem oprogramowania do uczenia maszynowego.

Na dzisiejszej dorocznej konferencji programistów Google Pichai przedstawił projekt o nazwie AutoML wywodzący się z grupy badawczej Google Brain zajmującej się sztuczną inteligencją. Naukowcy wykazali, że ich algorytmy uczenia się mogą zautomatyzować jedną z najtrudniejszych części pracy, jaką jest projektowanie oprogramowania do uczenia maszynowego, które ma podjąć określone zadanie. W niektórych przypadkach ich zautomatyzowany system wymyślił projekty, które rywalizują lub przewyższają najlepszą pracę ekspertów zajmujących się uczeniem maszynowym.

„To bardzo ekscytujący rozwój, mówi Pichai Przegląd technologii MIT , w e-mailu. Mogłoby to przyspieszyć całą dziedzinę i pomóc nam rozwiązać niektóre z najtrudniejszych problemów, z jakimi mamy dziś do czynienia.

Pichai ma nadzieję, że projekt AutoML może zwiększyć liczbę programistów zdolnych do wykorzystania uczenia maszynowego poprzez zmniejszenie potrzebnej wiedzy. Byłoby to zgodne ze strategią Google polegającą na pozycjonowaniu usług przetwarzania w chmurze jako najlepszego miejsca do tworzenia i hostowania za pomocą uczenia maszynowego. Firma stara się przyciągnąć nowych klientów na korporacyjnym rynku chmury obliczeniowej, gdzie pozostaje w tyle za liderem Amazonem i drugim w kolejności Microsoftem (patrz Google ujawnia potężny nowy układ AI i superkomputer).

Powiązana historia

Powiązana historia

AutoML ma na celu ułatwienie korzystania z techniki zwanej głębokim uczeniem, której Google i inne firmy używają do wspomagania rozpoznawania mowy i obrazów, tłumaczenia i robotyki (patrz 10 Przełomowe technologie 2013: Głębokie uczenie ).

Głębokie uczenie uczy inteligentnego oprogramowania poprzez przekazywanie danych przez warstwy matematyki luźno inspirowane biologią i znane jako sztuczne sieci neuronowe. Wybór odpowiedniej architektury dla sieci matematycznej sieci neuronowej jest kluczowym elementem tworzenia czegoś, co działa. Ale nie jest łatwo to rozgryźć. Robimy to intuicyjnie, mówi Quoc Le, badacz uczenia maszynowego w Google pracujący nad projektem AutoML.

W zeszłym miesiącu Le i jego współpracownik Barret Zoph przedstawili wyniki eksperymentów, w których zlecili systemowi uczenia maszynowego znalezienie najlepszej architektury do wykorzystania, aby oprogramowanie nauczyło się rozwiązywać zadania związane z językiem i rozpoznawaniem obrazów.

W zadaniu obrazu, ich system rywalizował z najlepszymi architekturami zaprojektowanymi przez ekspertów. W zadaniu językowym pokonał ich.

Być może co ważniejsze, wymyślił architektury, których badacze wcześniej nie uważali za odpowiednie do tych zadań. W pewnym sensie znalazł coś, o czym nie wiedzieliśmy, mówi Le. To uderzające.

Pojęcie oprogramowania, które uczy się doskonalić w nauce, istnieje już od jakiegoś czasu. Ale jak wiele pomysłów w dziedzinie sztucznej inteligencji, moc głębokiego uczenia pozwala na nowe postępy. Naukowcy z innego działu badań nad sztuczną inteligencją firmy Google, DeepMind, w środowisku akademickim, oraz wspieranej przez Elona Muska organizacji non-profit OpenAI badają powiązane koncepcje (patrz AI Software Learns to Make AI Software ).

Jednak zapytani, czy są na dobrej drodze, aby wyjść z pracy, Le i Zoph śmieją się. Obecnie technika ta jest zbyt droga, aby mogła być szeroko stosowana. Eksperymenty tej pary związały 800 potężnych procesorów graficznych na wiele tygodni, co spowodowało, że niewiele firm mogło sobie pozwolić na badania spekulacyjne.

Mimo to Google ma teraz większy zespół pracujący nad AutoML, w tym nad tym, jak zmniejszyć jego zasobochłonność. Le uważa, że ​​może to pomóc w zwiększeniu dokładności rozpoznawania wideo lub mowy, a nawet prowadzić do postępu w drażliwym problemie uzyskiwania oprogramowania do nauki bez wyraźnego polecenia ze strony ludzi (patrz Brakujące ogniwo sztucznej inteligencji ).

ukryć