211service.com
Oprogramowanie AI żongluje prawdopodobieństwem uczenia się z mniejszej ilości danych
Aplikacja opracowana przez Gamalon rozpoznaje obiekty po obejrzeniu kilku przykładów. Program do nauki rozpoznaje prostsze pojęcia, takie jak linie i prostokąty.
Uczenie maszynowe staje się niezwykle wydajne, ale wymaga ogromnych ilości danych.
Możesz na przykład wytrenować algorytm głębokiego uczenia się, aby rozpoznawał kota na poziomie eksperta kociego hodowcy, ale będziesz musiał nakarmić go dziesiątkami, a nawet setkami tysięcy obrazów kotów, rejestrując ogromną ilość wariacji pod względem rozmiaru, kształtu, tekstury, oświetlenia i orientacji. Byłoby o wiele bardziej wydajne, gdyby algorytm, trochę jak człowiek, mógł rozwinąć wyobrażenie o tym, co czyni kota kotem na podstawie mniejszej liczby przykładów.
Bostoński startup o nazwie Gamalon opracował technologię, która pozwala komputerom robić to w niektórych sytuacjach, i zgodnie z tym podejściem wypuszcza we wtorek dwa produkty.
Jeśli podstawową technikę można zastosować do wielu innych zadań, może to mieć duży wpływ. Możliwość uczenia się na mniejszej ilości danych może umożliwić robotom bardzo szybkie eksplorowanie i zrozumienie nowych środowisk lub umożliwienie komputerom poznania Twoich preferencji bez udostępniania danych.
Gamalon wykorzystuje technikę, którą nazywa syntezą programów Bayesa, aby zbudować algorytmy zdolne do uczenia się na mniejszej liczbie przykładów. Prawdopodobieństwo bayesowskie, nazwane na cześć XVIII-wiecznego matematyka Thomasa Bayesa, zapewnia matematyczne ramy do udoskonalania przewidywań dotyczących świata w oparciu o doświadczenie. System Gamalona wykorzystuje programowanie probabilistyczne — lub kod, który zajmuje się prawdopodobieństwami, a nie określonymi zmiennymi — do zbudowania modelu predykcyjnego, który wyjaśnia określony zestaw danych. Na podstawie zaledwie kilku przykładów program probabilistyczny może na przykład określić, że jest bardzo prawdopodobne, że koty mają uszy, wąsy i ogony. W miarę dostarczania dalszych przykładów kod modelu został napisany od nowa, a prawdopodobieństwa poprawione. Zapewnia to skuteczny sposób uczenia się istotnej wiedzy z danych.
Techniki programowania probabilistycznego istnieją już od jakiegoś czasu. Na przykład w 2015 r. zespół z MIT i NYU zastosował metody probabilistyczne, aby komputery nauczyły się rozpoznawać pisane znaki i obiekty po obejrzeniu tylko jednego przykładu (patrz Ten algorytm AI uczy się prostych zadań tak szybko, jak my). Ale podejście to było głównie ciekawostką akademicką.
Istnieją trudne wyzwania obliczeniowe do pokonania, ponieważ program musi uwzględniać wiele różnych możliwych wyjaśnień, mówi Jezioro Brenden , pracownik naukowy na NYU, który kierował pracami w 2015 roku.
Jednak teoretycznie, jak mówi Lake, podejście to ma znaczny potencjał, ponieważ może zautomatyzować aspekty opracowywania modelu uczenia maszynowego. Programowanie probabilistyczne znacznie ułatwi naukowcom i praktykom uczenie maszynowe, mówi Lake. Ma potencjał, aby automatycznie zająć się trudnymi [programowaniem] części.
Z pewnością istnieją znaczące zachęty do opracowywania łatwiejszych w użyciu i mniej żądnych danych metod uczenia maszynowego. Uczenie maszynowe polega obecnie na pozyskiwaniu dużego zestawu surowych danych, a następnie często oznaczaniu go ręcznym etykietowaniem. Nauka odbywa się następnie w dużych centrach danych, przy użyciu wielu procesorów komputerowych pracujących równolegle przez wiele godzin lub dni. Jest tylko kilka naprawdę dużych firm, które naprawdę mogą sobie na to pozwolić, mówi Ben Vigoda, współzałożyciel i dyrektor generalny Gamalon.
Teoretycznie podejście Gamalona może znacznie ułatwić komuś tworzenie i udoskonalanie modelu uczenia maszynowego. Udoskonalenie algorytmu głębokiego uczenia wymaga ogromnej wiedzy matematycznej i uczenia maszynowego. Konfiguracja tych systemów jest czarną sztuką, mówi Vigoda. Dzięki podejściu Gamalona programista może trenować model, podając znaczące przykłady.
Vigoda pokazała się Przegląd technologii MIT demo z aplikacją do rysowania, która wykorzystuje tę technikę. Jest podobny do wydanego w zeszłym roku przez Google, który wykorzystuje głębokie uczenie się do rozpoznawania obiektu, który dana osoba próbuje naszkicować (patrz Chcesz zrozumieć sztuczną inteligencję? Spróbuj szkicować kaczkę dla sieci neuronowej ). Ale podczas gdy aplikacja Google musi zobaczyć szkic, który pasuje do tych, które widziała wcześniej, wersja Gamalona używa programu probabilistycznego do rozpoznawania kluczowych cech obiektu. Na przykład, jeden program rozumie, że trójkąt leżący na kwadracie to najprawdopodobniej dom. Oznacza to, że nawet jeśli twój szkic bardzo różni się od tego, co widział wcześniej, pod warunkiem, że ma te cechy, odgadnie poprawnie.
Technika ta może mieć również istotne zastosowania komercyjne w niedalekiej przyszłości. Pierwsze produkty firmy wykorzystują syntezę programów Bayesa do rozpoznawania pojęć w tekście.
Jeden produkt, nazwany Gamalon Structure, może wyodrębniać pojęcia z nieprzetworzonego tekstu wydajniej niż jest to zwykle możliwe. Na przykład może wziąć opis telewizora dostarczony przez producenta i określić, jaki produkt jest opisywany, markę, nazwę produktu, rozdzielczość, rozmiar i inne cechy. Kolejny produkt, Gamalon Match, służy do kategoryzacji produktów i ceny w ekwipunku sklepu. W każdym przypadku, nawet w przypadku użycia różnych akronimów lub skrótów dla produktu lub funkcji, system można szybko przeszkolić w ich rozpoznawaniu.
Vigoda wierzy, że umiejętność uczenia się przyniesie inne praktyczne korzyści. Komputer może poznać zainteresowania użytkownika bez konieczności posiadania niepraktycznej ilości danych lub godzin szkolenia. Dane osobowe mogą nie być również konieczne do udostępniania dużym firmom, jeśli uczenie maszynowe można skutecznie przeprowadzić na smartfonie lub laptopie użytkownika. A robot lub samojezdny samochód może dowiedzieć się o nowej przeszkodzie bez konieczności oglądania setek tysięcy przykładów.