Spoločnosť nedávno vyvinula technológiu, ktorá umožňuje stroju efektívne sa učiť z malého počtu príkladov a zdokonaliť svoje vedomosti, keď bude k dispozícii viac príkladov. Môže sa použiť kdekoľvek, napríklad pri výučbe smartfónov rozpoznávať preferencie používateľov alebo pomáhať autonómnym motorovým systémom rýchlo identifikovať prekážky.
Staré príslovie „opakovanie je matkou učenia“sa perfektne vzťahuje na stroje. Mnoho moderných systémov umelej inteligencie pracujúcich v zariadeniach sa spolieha na opakovanie procesu učenia. Algoritmy hlbokého učenia umožňujú zariadeniam AI extrahovať znalosti z množín údajov a potom aplikovať to, čo sa naučili, na konkrétne situácie. Napríklad, ak napájate systém AI, že obloha je zvyčajne modrá, neskôr rozpozná oblohu medzi obrázkami.
Pomocou tejto metódy je možné vykonať komplexnú prácu, ale určite to nie je potrebné. Ale mohli by ste dosiahnuť rovnaké výsledky, ak spustíte hlboký vzdelávací systém AI pomocou menšieho počtu príkladov? Bostonský startup Gamalon vyvinul novú technológiu, aby sa pokúsil odpovedať na túto otázku. Tento týždeň predstavil dva produkty, ktoré zaujali nový prístup.
Gamalon využíva Bayesovské programovacie techniky, syntézu softvéru. Je založený na matematike 18. storočia, ktorú vyvinul matematik Thomas Bayes. Bayesovská pravdepodobnosť sa používa na spresnenie predpovedí o svete pomocou skúseností. Táto forma pravdepodobnostného programovania - kde kód používa skôr pravdepodobné ako konkrétne hodnoty - vyžaduje menej príkladov, aby bolo možné napríklad vyvodiť záver, že obloha je modrá s škvrnami bielych oblakov. Program ďalej spresňuje svoje vedomosti pri ďalšom skúmaní príkladov a jeho kód je možné prepísať, aby sa vyladili pravdepodobnosti.
Pravdepodobné programovanie
Aj keď tento nový prístup k programovaniu má stále problémy riešiť, má značný potenciál automatizovať vývoj algoritmov strojového učenia. „Pravdepodobnostné programovanie uľahčí strojové učenie pre vedcov a odborníkov z praxe,“vysvetľuje Brendan Lake, výskumník z New York University, ktorý v roku 2015 pracoval na pravdepodobnostných programovacích technikách. „Má schopnosť postarať sa o komplexné časti programovania sám.“
Generálny riaditeľ a spoluzakladateľ Ben Vigoda predstavil demonštračnú aplikáciu MIT Technology Review, ktorá využíva ich novú metódu. Je to podobné tomu, čo spoločnosť Google vydala minulý rok v tom, že predpovedá, čo sa osoba snaží kresliť. O tom sme písali podrobnejšie. Ale na rozdiel od verzie spoločnosti Google, ktorá sa spolieha na už zobrazené náčrtky, sa Gamalon spolieha na pravdepodobnostné programovanie, aby sa pokúsil identifikovať kľúčové vlastnosti objektu. Teda, aj keď nakreslíte tvar, ktorý sa líši od tých v databáze aplikácie, pokiaľ dokáže identifikovať konkrétne vlastnosti - napríklad štvorec s vrcholom trojuholníka (dom) - vykoná správne predpovede.
Propagačné video:
Dva produkty predstavené spoločnosťou Gamalon ukazujú, že ich metódy môžu nájsť komerčné aplikácie v blízkej budúcnosti. Produkt Gamalon Structure využíva Bayesovskú softvérovú syntézu na rozpoznávanie konceptov z prostého textu a už prekonal iné programy z hľadiska efektívnosti. Napríklad po získaní popisu televízora od výrobcu môže určiť jeho značku, názov produktu, rozlíšenie obrazovky, veľkosť a ďalšie vlastnosti. Ďalšia aplikácia - Gamalon Match - distribuuje produkty a ceny v inventári obchodu. V obidvoch prípadoch sa systém rýchlo naučí rozoznávať variácie skratiek alebo skratiek.
Vigoda poznamenáva, že existujú aj iné možné spôsoby použitia. Napríklad, ak sú smartfóny alebo prenosné počítače vybavené strojovým učením v Bayesian, nemusia zdieľať osobné údaje s veľkými spoločnosťami, aby určili záujmy používateľov; Výpočty sa môžu vykonávať efektívne vo vnútri zariadenia. Autonómne automobily sa tiež môžu naučiť adaptovať sa na svoje prostredie oveľa rýchlejšie pomocou tejto metódy učenia.
Ak učíte umelú inteligenciu, aby ste sa učili samostatne, nemusí to byť na vodítku.
ILYA KHEL