211service.com
Kāpēc Google izpilddirektors ir sajūsmā par mākslīgā intelekta automatizāciju?
Sundars Pichai uzņēmuma ikgadējā izstrādātāju konferencē Mountain View, Kalifornijā.
Mašīnmācības ekspertu trūkst, jo daudzu nozaru uzņēmumi steidzas izmantot nesenos sasniegumus mākslīgā intelekta jomā. Google izpilddirektors saka, ka viens no prasmju trūkuma risinājumiem ir likt mašīnmācības programmatūrai pārņemt daļu no mašīnmācības programmatūras izveides darba.
Šodien Google ikgadējā izstrādātāju konferencē Pichai iepazīstināja ar projektu AutoML, kas nāk no uzņēmuma Google Brain mākslīgā intelekta pētniecības grupas. Pētnieki ir parādījuši, ka viņu mācību algoritmi var automatizēt vienu no sarežģītākajām mašīnmācības programmatūras izstrādes darba daļām, lai veiktu noteiktu uzdevumu. Dažos gadījumos viņu automatizētā sistēma radīja dizainu, kas konkurē vai pārspēj cilvēka mašīnmācības ekspertu labāko darbu.
'Šī ir ļoti aizraujoša attīstība,' stāsta Pichai MIT tehnoloģiju apskats , e-pastā. Tas varētu paātrināt visu jomu un palīdzēt mums risināt dažas no vissarežģītākajām problēmām, ar kurām šodien saskaramies.
Pichai cer, ka AutoML projekts var paplašināt to izstrādātāju skaitu, kuri var izmantot mašīnmācīšanos, samazinot vajadzīgās zināšanas. Tas atbilstu Google stratēģijai pozicionēt savus mākoņdatošanas pakalpojumus kā labāko vietu izveidei un mitināšanai, izmantojot mašīnmācīšanos. Uzņēmums mēģina piesaistīt jaunus klientus korporatīvajā mākoņdatošanas tirgū, kur tas atpaliek no līdera Amazon un otrajā vietā esošās Microsoft (skatiet Google Reveals Powerful New AI Chip and Supercomputer).
Saistīts stāsts
Saistīts stāstsAutoML mērķis ir atvieglot metodes, ko sauc par dziļo apmācību, izmantošanu, ko Google un citi izmanto, lai veicinātu runas un attēlu atpazīšanu, tulkošanu un robotiku (skatiet 10 Breakthrough Technologies 2013: Deep Learning ).
Padziļināta mācīšanās māca programmatūrai būt gudrai, nododot datus caur matemātikas slāņiem, kurus brīvi iedvesmo bioloģija un kas pazīstami kā mākslīgie neironu tīkli. Pareizas arhitektūras izvēle neironu tīkla matemātikas tīklam ir svarīga sastāvdaļa, lai izveidotu kaut ko, kas darbojas. Bet to nav viegli noskaidrot. Mēs to darām pēc intuīcijas, saka Quoc Le, Google mašīnmācības pētnieks, kas strādā pie AutoML projekta.
Pagājušajā mēnesī Le un kolēģis pētnieks Barets Zofs iepazīstināja ar rezultātiem no eksperimentiem, kuros viņi uzdeva mašīnmācības sistēmai izdomāt labāko arhitektūru, ko izmantot, lai programmatūra iemācītos atrisināt valodas un attēlu atpazīšanas uzdevumus.
Attēla uzdevumā viņu sistēma konkurēja ar labākajām cilvēku ekspertu izstrādātajām arhitektūrām. Valodas uzdevumā tas viņus pārspēja.
Varbūt vēl svarīgāk ir tas, ka tas nāca klajā ar tāda veida arhitektūrām, kuras pētnieki iepriekš neuzskatīja par piemērotiem šiem uzdevumiem. Savā ziņā tas atklāja kaut ko, par ko mēs nezinājām, saka Le. Tas ir pārsteidzoši.
Priekšstats par programmatūru, kas mācās labāk mācīties, pastāv jau kādu laiku. Taču, tāpat kā daudzas idejas mākslīgā intelekta jomā, dziļās mācīšanās spēks ļauj progresēt. Pētnieki no Google citas AI pētniecības nodaļas DeepMind akadēmiskajās aprindās un Elona Maska atbalstītā bezpeļņas organizācija OpenAI pēta saistītās koncepcijas (skatiet sadaļu AI programmatūra mācās izveidot AI programmatūru ).
Uz jautājumu, vai viņi ir ceļā, lai atbrīvotos no darba, Le un Zofs tomēr smejas. Pašlaik šī tehnika ir pārāk dārga, lai to plaši izmantotu. Pāra eksperimenti uz vairākām nedēļām izmantoja 800 jaudīgus grafiskos procesorus, veidojot tādus elektroenerģijas rēķinus, kādus tikai daži uzņēmumi varēja atļauties spekulatīvai izpētei.
Tomēr Google tagad ir lielāka komanda, kas strādā pie AutoML, tostarp pie tā, kā padarīt to mazāk resursietilpīgu. Le uzskata, ka tas varētu palīdzēt padarīt video vai runas atpazīšanu precīzāku vai pat veicināt sarežģītākās problēmas risināšanu, kas saistīta ar programmatūras apguvi bez skaidra cilvēku norādījuma (skatiet Mākslīgā intelekta trūkstošo saiti).