211service.com
Ten algorytm AI uczy się prostych zadań tak szybko, jak my
Czerpiąc inspirację ze sposobu, w jaki ludzie się uczą, naukowcy stworzyli oprogramowanie AI zdolne do zbierania nowej wiedzy w znacznie bardziej wydajny i wyrafinowany sposób.
Rys. 1. Ludzie mogą uczyć się bogatych pojęć na podstawie ograniczonych danych. (A i B) Pojedynczy przykład nowej koncepcji (czerwone pola) może być wystarczającą informacją do wsparcia (i) klasyfikacji nowych przykładów, (ii) generowania nowych przykładów, (iii) parsowania obiektu na części i relacje ( części posegmentowane według koloru) oraz (iv) generowanie nowych koncepcji z pokrewnych koncepcji.
Nowy program AI potrafi rozpoznać odręcznie napisane znaki tak dokładnie, jak człowiek, po obejrzeniu tylko jednego przykładu. Najlepsze istniejące algorytmy uczenia maszynowego, które wykorzystują technikę zwaną uczeniem głębokim, muszą zobaczyć wiele tysięcy przykładów odręcznego znaku, aby poznać różnicę między literą A i Z.
Oprogramowanie zostało opracowane przez Jezioro Brenden , naukowiec z New York University, wraz z Rusłan Salachutdinow , adiunkt informatyki na Uniwersytecie w Toronto oraz Joshua Tenenbaum , profesor na Wydziale Mózgu i Nauk Kognitywnych na MIT. Szczegóły programu i idee stojące za nim są dziś publikowane w czasopiśmie Nauka.
W ciągu ostatnich kilku lat komputery stały się znacznie sprytniejsze, ucząc się między innymi rozpoznawania twarzy, rozumienia mowy, a nawet bezpiecznej jazdy samochodem. Większość postępu została dokonana przy użyciu dużych lub głębokich sieci neuronowych. Jednak te systemy mają zasadniczą wadę: wymagają mnóstwa danych, aby nauczyć się, jak wykonać nawet najprostsze zadanie.
Ograniczenie to w dużej mierze wynika z faktu, że algorytmy nie przetwarzają informacji tak, jak my. Chociaż uczenie głębokie jest modelowane na wirtualnej sieci neuronów — a podejście to przyniosło bardzo imponujące wyniki w zadaniach percepcyjnych — jest to bardzo zgrubna imitacja sposobu, w jaki pracuje mózg. Algorytm głębokiego uczenia kojarzy piksele na obrazie z określonym znakiem. Mózg może przetwarzać niektóre bodźce wzrokowe w podobny sposób, ale ludzie wykorzystują również wyższe formy funkcji poznawczych w celu interpretacji treści obrazu.
Badacze zastosowali technikę, którą nazwali Bayesowskim frameworkiem uczenia się programu lub BPL. Zasadniczo oprogramowanie generuje unikalny program dla każdej postaci za pomocą pociągnięć wyimaginowanego pióra. Następnie stosuje się probabilistyczną technikę programowania w celu dopasowania programu do określonego znaku lub wygenerowania nowego programu dla nieznanego. Oprogramowanie nie naśladuje sposobu, w jaki dzieci nabywają umiejętności czytania i pisania, ale raczej sposób, w jaki dorośli, którzy już wiedzą, jak uczą się rozpoznawać i odtwarzać nowe postacie.
Kluczową rzeczą w programowaniu probabilistycznym – i raczej różnym od sposobu, w jaki działa większość rzeczy związanych z głębokim uczeniem – jest to, że zaczyna się od programu, który opisuje procesy przyczynowe na świecie, mówi Tenenbaum. To, czego próbujemy się nauczyć, nie jest sygnaturą cech ani wzorcem cech. Próbujemy nauczyć się programu, który generuje te postacie.
Tenenbaum i współpracownicy przetestowali to podejście, zachęcając zarówno ludzi, jak i oprogramowanie do rysowania nowych postaci po obejrzeniu jednego odręcznego przykładu, a następnie poproszeniu grupy ludzi o ocenę, czy postać została napisana przez osobę, czy przez maszynę. Okazało się, że mniej niż 25 procent sędziów było w stanie odróżnić.
Zespół twierdzi, że technikę tę można by rozszerzyć do bardziej praktycznych zastosowań. Na przykład może umożliwić komputerom szybkie nauczenie się rozpoznawania i używania nowych słów w języku mówionym. Może też umożliwić komputerowi rozpoznawanie nowych wystąpień konkretnego obiektu. Mówiąc bardziej ogólnie, podejście to wskazuje na ważny nowy kierunek w sztucznej inteligencji, ponieważ naukowcy czerpią inspirację z badań nad ludzkim poznaniem.
Geoffrey Hinton , profesor psychologii na Uniwersytecie w Toronto, który odegrał kluczową rolę w rozwoju głębokiego uczenia się, mówi, że praca jest ważnym krokiem w tej dziedzinie. To piękny artykuł i bardzo imponujący przykład uczenia się na niewielu przykładach, mówi.
Hinton, który był także doradcą doktorskim jednego z autorów artykułu, Salakhutdinova, mówi, że naukowcy zajmujący się sztuczną inteligencją mogą nauczyć się wielu przydatnych rzeczy zarówno z neuronauki, jak i kognitywistyki. Sugeruje również, że podejścia takie jak to opracowane do rozpoznawania pisma ręcznego w rzeczywistości mogą być kompatybilne z głębokim uczeniem się. Myślę, że możesz mieć to, co najlepsze z obu światów, mówi.
Gary Marcus , kognitywista z New York University i współzałożyciel firmy o nazwie Geometric Intelligence, która również opracowuje metody uczenia maszynowego inspirowane ludzkim zachowaniem, mówi, że nie do końca zgadza się z tym, że ludzki umysł działa w sposób opisany w artykule Nauka papier. Uważa jednak, że podejście to pokazuje ważny cel dla sztucznej inteligencji, ponieważ w wielu sytuacjach nie ma ogromnych ilości danych, z których maszyna mogłaby się uczyć.
Problem z dominującym paradygmatem polega na tym, że jest on bardzo, bardzo głodny danych, mówi Marcus. To dowód na to, że możesz uczyć się szybciej. I myślę, że ludzie będą o tym dużo myśleć.
Marcus dodaje, że język może być zabójczą aplikacją dla takich systemów. Wielu badaczy głębokiego uczenia się już pracuje nad tym wyzwaniem (patrz „Uczenie maszyn do zrozumienia nas”), ale Marcus uważa, że maszyny będą musiały uczyć się w bardziej wydajny i elastyczny sposób, aby je złamać. „Prawdziwy punkt zwrotny w sztucznej inteligencji nadejdzie, gdy maszyny rzeczywiście zrozumieją język”, mówi. Nie tylko robienie przeciętnych tłumaczeń, ale naprawdę rozumienie, co masz na myśli.