211service.com
AI programmatūra žonglē ar iespējām mācīties no mazāk datu
Gamalon izstrādātā lietotne atpazīst objektus pēc dažu piemēru apskatīšanas. Mācību programma atpazīst vienkāršākus jēdzienus, piemēram, līnijas un taisnstūrus.
Mašīnmācība kļūst ārkārtīgi spēcīga, taču tai ir nepieciešams ārkārtīgi liels datu apjoms.
Varat, piemēram, apmācīt padziļinātas mācīšanās algoritmu, lai atpazītu kaķi ar kaķu mīļotāja zināšanām, taču jums būs jāpabaro desmitiem vai pat simtiem tūkstošu kaķu attēlu, tverot milzīgu variāciju. pēc izmēra, formas, faktūras, apgaismojuma un orientācijas. Būtu daudz efektīvāk, ja algoritms varētu izstrādāt ideju par to, kas padara kaķi par kaķi, izmantojot mazāk piemērus, līdzīgi kā cilvēks.
Bostonā bāzēts starta uzņēmums sauc Gamalon ir izstrādājis tehnoloģiju, kas dažās situācijās ļauj to izdarīt datoriem, un otrdien, pamatojoties uz šo pieeju, izlaiž divus produktus.
Ja pamatā esošo paņēmienu var izmantot daudziem citiem uzdevumiem, tam varētu būt liela ietekme. Iespēja mācīties no mazāk datu var ļaut robotiem ļoti ātri izpētīt un izprast jaunas vides vai ļaut datoriem uzzināt par jūsu vēlmēm, nekoplietojot jūsu datus.
Gamalon izmanto paņēmienu, ko tā sauc par Bajesa programmu sintēzi, lai izveidotu algoritmus, kas spēj mācīties no mazāka skaita piemēru. Bajesa varbūtība, kas nosaukta 18. gadsimta matemātiķa Tomasa Beiza vārdā, nodrošina matemātisko ietvaru, lai precizētu prognozes par pasauli, pamatojoties uz pieredzi. Gamalona sistēma izmanto varbūtības programmēšanu vai kodu, kas aplūko varbūtības, nevis konkrētus mainīgos, lai izveidotu prognozēšanas modeli, kas izskaidro noteiktu datu kopu. No dažiem piemēriem varbūtības programma var noteikt, piemēram, ka ļoti iespējams, ka kaķiem ir ausis, ūsas un aste. Kā sniegti citi piemēri, kods aiz modeļa tiek pārrakstīts un varbūtības tiek pielāgotas. Tas nodrošina efektīvu veidu, kā iegūt svarīgākās zināšanas no datiem.
Varbūtības programmēšanas metodes pastāv jau kādu laiku. Piemēram, 2015. gadā MIT un NYU komanda izmantoja varbūtības metodes, lai datori iemācītos atpazīt rakstītas rakstzīmes un objektus, redzot tikai vienu piemēru (skatiet sadaļu Šis AI algoritms apgūst vienkāršus uzdevumus tikpat ātri kā mēs ). Taču pieeja galvenokārt ir bijusi akadēmiska zinātkāre.
Ir grūti pārvarēt skaitļošanas problēmas, jo programmai ir jāņem vērā daudzi dažādi iespējamie skaidrojumi, saka Brendenas ezers , NYU pētnieks, kurš vadīja 2015. gada darbu.
Tomēr teorētiski Lake saka, ka pieejai ir ievērojams potenciāls, jo tā var automatizēt mašīnmācības modeļa izstrādes aspektus. Varbūtības programmēšana ievērojami atvieglos mašīnmācīšanos pētniekiem un praktiķiem, norāda Lake. Tam ir iespēja automātiski parūpēties par sarežģītajām [programmēšanas] daļām.
Noteikti ir būtiski stimuli izstrādāt vieglāk lietojamas un mazāk datu izsalkušas mašīnmācības pieejas. Mašīnmācība pašlaik ietver lielas neapstrādātu datu kopas iegūšanu un bieži vien pēc tam manuālu marķēšanu. Pēc tam mācības notiek lielos datu centros, izmantojot daudzus datoru procesorus, kas stundām vai dienām paralēli darbojas. Ir tikai daži patiešām lieli uzņēmumi, kas patiešām var atļauties to darīt, saka Ben Vigoda, Gamalon līdzdibinātājs un izpilddirektors.
Teorētiski Gamalona pieeja varētu atvieglot arī mašīnmācības modeļa izveidi un pilnveidošanu. Lai pilnveidotu dziļās mācīšanās algoritmu, ir nepieciešamas lielas matemātiskās un mašīnmācīšanās zināšanas. Šo sistēmu iestatīšana ir melna māksla, saka Vigoda. Izmantojot Gamalona pieeju, programmētājs varētu apmācīt modeli, ievadot nozīmīgus piemērus.
Vigoda parādīja MIT tehnoloģiju apskats demonstrācija ar zīmēšanas lietotni, kurā tiek izmantota tehnika. Tas ir līdzīgs tam, ko pagājušajā gadā izlaida Google un kurā tiek izmantota dziļa mācīšanās, lai atpazītu objektu, kuru cilvēks mēģina ieskicēt (skatiet sadaļu Vai vēlaties saprast AI? Mēģiniet uzskicēt pīli neironu tīklam ). Taču, lai gan Google lietotnei ir jāredz skice, kas atbilst iepriekš redzētajām, Gamalon versija izmanto varbūtības programmu, lai atpazītu objekta galvenās iezīmes. Piemēram, viena programma saprot, ka trīsstūris, kas atrodas virs kvadrāta, visticamāk, ir māja. Tas nozīmē, ka pat tad, ja jūsu skice ļoti atšķiras no iepriekš redzētās, tā uzminēs pareizi, ja tai ir šīs funkcijas.
Tehnikai varētu būt arī nozīmīgi tuvākā laika komerciālie pielietojumi. Uzņēmuma pirmie produkti izmanto Bajesa programmas sintēzi, lai atpazītu jēdzienus tekstā.
Viens produkts, ko sauc par Gamalon Structure, var izvilkt koncepcijas no neapstrādāta teksta daudz efektīvāk, nekā tas parasti ir iespējams. Piemēram, tas var ņemt vērā televizora ražotāja aprakstu un noteikt, kāds produkts tiek aprakstīts, zīmolu, produkta nosaukumu, izšķirtspēju, izmēru un citas funkcijas. Cits produkts Gamalon Match tiek izmantots, lai klasificētu produktus un cenu veikala krājumos. Jebkurā gadījumā, pat ja produktam vai funkcijai tiek izmantoti dažādi akronīmi vai saīsinājumi, sistēmu var ātri apmācīt tos atpazīt.
Vigoda uzskata, ka spējai mācīties būs arī citi praktiski ieguvumi. Dators var uzzināt par lietotāja interesēm, neprasot nepraktisku datu apjomu vai stundu apmācību. Ja mašīnmācīšanos var efektīvi veikt lietotāja viedtālrunī vai klēpjdatorā, personas dati, iespējams, nav jākopīgo ar lieliem uzņēmumiem. Un robots vai pašbraucoša automašīna varētu uzzināt par jaunu šķērsli bez nepieciešamības redzēt simtiem tūkstošu piemēru.