Το λογισμικό AI ταχυδακτυλουργεί τις πιθανότητες για μάθηση από λιγότερα δεδομένα

Μια εφαρμογή που αναπτύχθηκε από την Gamalon αναγνωρίζει αντικείμενα αφού δει μερικά παραδείγματα. Ένα εκπαιδευτικό πρόγραμμα αναγνωρίζει απλούστερες έννοιες όπως γραμμές και ορθογώνια.



Η μηχανική εκμάθηση γίνεται εξαιρετικά ισχυρή, αλλά απαιτεί ακραίες ποσότητες δεδομένων.

Μπορείτε, για παράδειγμα, να εκπαιδεύσετε έναν αλγόριθμο βαθιάς μάθησης ώστε να αναγνωρίζει μια γάτα με το επίπεδο τεχνογνωσίας του λάτρη της γάτας, αλλά θα χρειαστεί να την ταΐσετε με δεκάδες ή και εκατοντάδες χιλιάδες εικόνες αιλουροειδών, καταγράφοντας μια τεράστια ποικιλία σε μέγεθος, σχήμα, υφή, φωτισμό και προσανατολισμό. Θα ήταν πολύ πιο αποτελεσματικό εάν, λίγο σαν άτομο, ένας αλγόριθμος μπορούσε να αναπτύξει μια ιδέα για το τι κάνει μια γάτα γάτα από λιγότερα παραδείγματα.





Κάλεσε μια startup με έδρα τη Βοστώνη Gamalon έχει αναπτύξει τεχνολογία που επιτρέπει στους υπολογιστές να το κάνουν αυτό σε ορισμένες περιπτώσεις, και κυκλοφορεί δύο προϊόντα την Τρίτη με βάση την προσέγγιση.

Εάν η υποκείμενη τεχνική μπορεί να εφαρμοστεί σε πολλές άλλες εργασίες, τότε θα μπορούσε να έχει μεγάλο αντίκτυπο. Η δυνατότητα μάθησης από λιγότερα δεδομένα θα μπορούσε να επιτρέψει στα ρομπότ να εξερευνήσουν και να κατανοήσουν νέα περιβάλλοντα πολύ γρήγορα ή να επιτρέψει στους υπολογιστές να μάθουν για τις προτιμήσεις σας χωρίς να μοιράζονται τα δεδομένα σας.

Το Gamalon χρησιμοποιεί μια τεχνική που ονομάζει σύνθεση προγράμματος Bayesian για να δημιουργήσει αλγόριθμους ικανούς να μαθαίνουν από λιγότερα παραδείγματα. Η Μπεϋζιανή πιθανότητα, που πήρε το όνομά της από τον μαθηματικό του 18ου αιώνα Thomas Bayes, παρέχει ένα μαθηματικό πλαίσιο για τη βελτίωση των προβλέψεων για τον κόσμο με βάση την εμπειρία. Το σύστημα του Gamalon χρησιμοποιεί πιθανολογικό προγραμματισμό - ή κώδικα που ασχολείται με πιθανότητες και όχι συγκεκριμένες μεταβλητές - για να δημιουργήσει ένα μοντέλο πρόβλεψης που εξηγεί ένα συγκεκριμένο σύνολο δεδομένων. Από μερικά μόνο παραδείγματα, ένα πιθανό πρόγραμμα μπορεί να καθορίσει, για παράδειγμα, ότι είναι πολύ πιθανό οι γάτες να έχουν αυτιά, μουστάκια και ουρές. Καθώς παρέχονται περαιτέρω παραδείγματα, ο κώδικας πίσω από το μοντέλο ξαναγράφεται και οι πιθανότητες τροποποιούνται. Αυτό παρέχει έναν αποτελεσματικό τρόπο εκμάθησης της σημαντικής γνώσης από τα δεδομένα.



Οι πιθανοτικές τεχνικές προγραμματισμού υπάρχουν εδώ και καιρό. Το 2015, για παράδειγμα, μια ομάδα από το MIT και το NYU χρησιμοποίησε πιθανολογικές μεθόδους για να μάθουν οι υπολογιστές να αναγνωρίζουν γραπτούς χαρακτήρες και αντικείμενα αφού είδαν ένα μόνο παράδειγμα (δείτε Αυτός ο αλγόριθμος AI μαθαίνει απλές εργασίες τόσο γρήγορα όσο εμείς ). Αλλά η προσέγγιση ήταν κυρίως μια ακαδημαϊκή περιέργεια.

Υπάρχουν δύσκολες υπολογιστικές προκλήσεις που πρέπει να ξεπεραστούν, επειδή το πρόγραμμα πρέπει να εξετάσει πολλές διαφορετικές πιθανές εξηγήσεις, λέει Λίμνη Brenden , ερευνητής στο NYU που ηγήθηκε της εργασίας του 2015.

Ωστόσο, θεωρητικά, λέει ο Lake, η προσέγγιση έχει σημαντικές δυνατότητες επειδή μπορεί να αυτοματοποιήσει πτυχές της ανάπτυξης ενός μοντέλου μηχανικής μάθησης. Ο πιθανοτικός προγραμματισμός θα κάνει τη μηχανική μάθηση πολύ πιο εύκολη για τους ερευνητές και τους επαγγελματίες, λέει ο Lake. Έχει τη δυνατότητα να φροντίζει αυτόματα τα δύσκολα μέρη [προγραμματισμού].

Υπάρχουν σίγουρα σημαντικά κίνητρα για την ανάπτυξη πιο εύχρηστων και λιγότερο απαιτητικών για δεδομένα προσεγγίσεων μηχανικής μάθησης. Η μηχανική εκμάθηση περιλαμβάνει επί του παρόντος την απόκτηση ενός μεγάλου συνόλου ακατέργαστων δεδομένων και συχνά στη συνέχεια τη μη αυτόματη επισήμανση. Στη συνέχεια, η εκμάθηση γίνεται μέσα σε μεγάλα κέντρα δεδομένων, χρησιμοποιώντας πολλούς επεξεργαστές υπολογιστών που απομακρύνονται παράλληλα για ώρες ή μέρες. Υπάρχουν μόνο μερικές πραγματικά μεγάλες εταιρείες που μπορούν πραγματικά να αντέξουν οικονομικά να το κάνουν αυτό, λέει ο Ben Vigoda, συνιδρυτής και Διευθύνων Σύμβουλος της Gamalon.

Θεωρητικά, η προσέγγιση του Gamalon θα μπορούσε να κάνει πολύ πιο εύκολο για κάποιον να κατασκευάσει και να βελτιώσει ένα μοντέλο μηχανικής μάθησης. Η τελειοποίηση ενός αλγόριθμου βαθιάς μάθησης απαιτεί μεγάλη εξειδίκευση στα μαθηματικά και στη μηχανική μάθηση. Υπάρχει μια μαύρη τέχνη στη ρύθμιση αυτών των συστημάτων, λέει ο Vigoda. Με την προσέγγιση του Gamalon, ένας προγραμματιστής θα μπορούσε να εκπαιδεύσει ένα μοντέλο τροφοδοτώντας σημαντικά παραδείγματα.

έδειξε ο Βίγκοντα MIT Technology Review μια επίδειξη με μια εφαρμογή σχεδίασης που χρησιμοποιεί την τεχνική. Είναι παρόμοιο με αυτό που κυκλοφόρησε πέρυσι από την Google, η οποία χρησιμοποιεί βαθιά εκμάθηση για να αναγνωρίσει το αντικείμενο που προσπαθεί να σχεδιάσει ένα άτομο (δείτε Θέλετε να κατανοήσετε την τεχνητή νοημοσύνη; Δοκιμάστε να σχεδιάσετε μια πάπια για ένα νευρωνικό δίκτυο ). Ωστόσο, ενώ η εφαρμογή της Google πρέπει να δει ένα σκίτσο που ταιριάζει με αυτά που έχει δει προηγουμένως, η έκδοση του Gamalon χρησιμοποιεί ένα πιθανό πρόγραμμα για να αναγνωρίσει τα βασικά χαρακτηριστικά ενός αντικειμένου. Για παράδειγμα, ένα πρόγραμμα κατανοεί ότι ένα τρίγωνο που κάθεται στην κορυφή ενός τετραγώνου είναι πιθανότατα ένα σπίτι. Αυτό σημαίνει ότι ακόμα κι αν το σκίτσο σας είναι πολύ διαφορετικό από αυτό που έχει δει στο παρελθόν, εφόσον έχει αυτά τα χαρακτηριστικά, θα μαντέψει σωστά.

Η τεχνική θα μπορούσε επίσης να έχει σημαντικές βραχυπρόθεσμες εμπορικές εφαρμογές. Τα πρώτα προϊόντα της εταιρείας χρησιμοποιούν σύνθεση προγράμματος Bayesian για την αναγνώριση εννοιών στο κείμενο.

Ένα προϊόν, που ονομάζεται Gamalon Structure, μπορεί να εξάγει έννοιες από ακατέργαστο κείμενο πιο αποτελεσματικά από ό,τι είναι συνήθως δυνατό. Για παράδειγμα, μπορεί να λάβει την περιγραφή ενός κατασκευαστή για μια τηλεόραση και να καθορίσει ποιο προϊόν περιγράφεται, τη μάρκα, το όνομα του προϊόντος, την ανάλυση, το μέγεθος και άλλα χαρακτηριστικά. Ένα άλλο προϊόν, το Gamalon Match, χρησιμοποιείται για την κατηγοριοποίηση των προϊόντων και της τιμής στο απόθεμα ενός καταστήματος. Σε κάθε περίπτωση, ακόμη και όταν χρησιμοποιούνται διαφορετικά ακρωνύμια ή συντομογραφίες για ένα προϊόν ή ένα χαρακτηριστικό, το σύστημα μπορεί γρήγορα να εκπαιδευτεί ώστε να τα αναγνωρίζει.

Ο Vigoda πιστεύει ότι η ικανότητα μάθησης θα έχει και άλλα πρακτικά οφέλη. Ένας υπολογιστής θα μπορούσε να μάθει για τα ενδιαφέροντα ενός χρήστη χωρίς να απαιτεί μη πρακτικό όγκο δεδομένων ή ώρες εκπαίδευσης. Τα προσωπικά δεδομένα ενδέχεται να μην χρειάζεται να κοινοποιηθούν σε μεγάλες εταιρείες, εάν η μηχανική εκμάθηση μπορεί να γίνει αποτελεσματικά στο smartphone ή το φορητό υπολογιστή ενός χρήστη. Και ένα ρομπότ ή ένα αυτοοδηγούμενο αυτοκίνητο θα μπορούσε να μάθει για ένα νέο εμπόδιο χωρίς να χρειάζεται να δει εκατοντάδες χιλιάδες παραδείγματα.

κρύβω

Πραγματικές Τεχνολογίες

Κατηγορία

Χωρίς Κατηγοριοποίηση

Τεχνολογία

Βιοτεχνολογία

Τεχνική Πολιτική

Την Αλλαγή Του Κλίματος

Άνθρωποι Και Τεχνολογία

Silicon Valley

Χρήση Υπολογιστή

Περιοδικό Mit News

Τεχνητή Νοημοσύνη

Χώρος

Έξυπνες Πόλεις

Blockchain

Feature Story

Προφίλ Αποφοίτων

Σύνδεση Αποφοίτων

Δυνατότητα Ειδήσεων Mit

1865

Η Θέα Μου

77 Mass Ave

Γνωρίστε Τον Συγγραφέα

Προφίλ Στη Γενναιοδωρία

Βλέπεται Στην Πανεπιστημιούπολη

Επιστολές Αποφοίτων

Νέα

Εκλογές 2020

Με Ευρετήριο

Κάτω Από Τον Θόλο

Πυροσβεστική Μάνικα

Άπειρες Ιστορίες

Πανδημικό Τεχνολογικό Έργο

Από Τον Πρόεδρο

Θέμα Εξώφυλλου

Φωτογραφίες

Συνιστάται