Efektīvāka mašīnmācība varētu izjaukt AI paradigmu

Yaopai

Janvārī Google uzsāka jaunu pakalpojumu ar nosaukumu Cloud AutoML , kas var automatizēt dažus sarežģītus mašīnmācības programmatūras izstrādes aspektus. Strādājot pie šī projekta, uzņēmuma pētniekiem dažkārt bija jāpalaiž līdz pat 800 grafikas mikroshēmām, lai apmācītu savus jaudīgos algoritmus.

Atšķirībā no cilvēkiem, kuri var atpazīt kafijas tases, redzot vienu vai divus piemērus, mākslīgā intelekta tīkliem, kuru pamatā ir simulēti neironi, ir jāredz desmitiem tūkstošu piemēru, lai identificētu objektu. Iedomājieties, ka mēģināt šādā veidā iemācīties atpazīt katru objektu savā vidē, un jūs sākat saprast, kāpēc AI programmatūrai ir nepieciešams tik daudz skaitļošanas jaudas.

Ja pētnieki varētu izstrādāt neironu tīklus, kurus varētu apmācīt veikt noteiktus uzdevumus, izmantojot tikai dažus piemērus, tas izjauktu visu paradigmu, sacīja Čārlzs Bergans, Qualcomm inženierzinātņu viceprezidents. MIT tehnoloģiju apskats EmTech China konferencē šīs nedēļas sākumā.

Saistīts stāsts

Saistīts stāsts

Ja neironu tīkli kļūtu spējīgi vienreizēji mācīties, sacīja Bergans, apgrūtinošais process, kurā tiek ievadīts datu daudzums algoritmos, lai tos apmācītu, būtu novecojis. Tam var būt nopietnas sekas aparatūras nozarei, jo gan esošie tehnoloģiju giganti, gan jaunizveidotie uzņēmumi pašlaik koncentrējas uz jaudīgāku procesoru izstrādi, kas izstrādāti, lai darbinātu mūsdienu datu ietilpīgos AI algoritmus.

Tas nozīmētu arī ievērojami efektīvāku mašīnmācību. Lai gan neironu tīkli, kurus var apmācīt, izmantojot nelielas datu kopas, vēl nav realitāte, jau tiek veikti pētījumi par algoritmu samazināšanu, nezaudējot precizitāti, konferencē sacīja Nvidia galvenais zinātnieks Bils Dalijs.

Nvidia pētnieki izmanto procesu, ko sauc par tīkla atzarošanu, lai padarītu neironu tīklu mazāku un efektīvāku, noņemot neironus, kas tieši neveicina izvadi. Ir apmācības veidi, kas var ievērojami samazināt apmācības sarežģītību, sacīja Dalijs.

paslēpties