Mašīnas tagad var kaut ko atpazīt pēc tam, kad to vienreiz redzējis

Lielākā daļa no mums var atpazīt objektu pēc tam, kad to ir redzējuši vienu vai divas reizes. Taču algoritmiem, kas nodrošina datora redzi un balss atpazīšanu, ir vajadzīgi tūkstošiem piemēru, lai iepazītos ar katru jaunu attēlu vai vārdu.

Google DeepMind pētniekiem tagad ir veids, kā to apiet. Viņi veica dažus gudrus uzlabojumus padziļinātas mācīšanās algoritmam, kas ļauj atpazīt objektus attēlos un citas lietas no viena piemēra — tas ir zināms kā 'vienreizēja mācīšanās'. Komanda demonstrēja triku ar lielu atzīmēto attēlu datu bāzi, kā arī par rokrakstu un valodu.

Labākie algoritmi var uzticami atpazīt lietas, taču to nepieciešamība pēc datiem padara to izveidi laikietilpīgu un dārgu. Piemēram, algoritmam, kas apmācīts pamanīt automašīnas uz ceļa, ir jāapgūst daudzi tūkstoši piemēru, lai tas uzticami darbotos automašīnā bez vadītāja. Tik daudz datu vākšana bieži vien ir nepraktiska — piemēram, robots, kuram ir jāpārvietojas nepazīstamā mājā, nevar pavadīt neskaitāmas stundas, klejojot apkārt mācībām.

Oriols Vinyals , pētnieks Google DeepMind, Apvienotajā Karalistē bāzētā Alphabet meitasuzņēmumā, kas koncentrējas uz mākslīgo intelektu, pievienoja atmiņas komponentu dziļās mācīšanās sistēmai — liela neironu tīkla veidam, kas ir apmācīts atpazīt lietas, pielāgojot tās jutīgumu. daudzi savstarpēji saistītu komponentu slāņi, kas ir aptuveni līdzīgi smadzeņu neironiem. Šādām sistēmām ir jāredz daudz attēlu, lai precīzi noregulētu savienojumus starp šiem virtuālajiem neironiem.

Komanda demonstrēja sistēmas iespējas marķētu fotogrāfiju datubāzē ImageNet . Programmatūrai joprojām ir jāanalizē vairāki simti attēlu kategoriju, bet pēc tam tā var iemācīties atpazīt jaunus objektus, piemēram, suni, tikai no viena attēla. Tas efektīvi iemācās atpazīt attēlu īpašības, kas padara tos unikālus. Algoritms spēja atpazīt suņu attēlus ar precizitāti, kas ir tuvu parastās datu izsalkušās sistēmas precizitātei, redzot tikai vienu piemēru.

Vinyals saka, ka darbs varētu būt īpaši noderīgs, ja tas varētu ātri atpazīt jauna vārda nozīmi. Vinyals saka, ka tas varētu būt svarīgi uzņēmumam Google, jo tas varētu ļaut sistēmai ātri uzzināt jauna meklēšanas vienuma nozīmi.

Citi ir izstrādājuši vienreizējas mācību sistēmas, taču tās parasti nav saderīgas ar padziļinātas apmācības sistēmām. Akadēmiskā projektā pagājušajā gadā tika izmantotas varbūtības programmēšanas metodes, lai nodrošinātu šāda veida ļoti efektīvu mācīšanos (skatiet sadaļu “Šis algoritms apgūst uzdevumus tikpat ātri kā mēs”).

Taču padziļinātās apmācības sistēmas kļūst spējīgākas, jo īpaši pievienojot atmiņas mehānismus. Cita Google DeepMind grupa nesen izstrādāja tīklu ar elastīgu atmiņu, padarot to spējīgu veikt vienkāršus spriešanas uzdevumus, piemēram, iemācīties orientēties metro sistēmā pēc vairāku daudz vienkāršāku tīkla diagrammu analīzes (sk. Kas notiek, kad tu dod Dators vai darba atmiņa?

'Manuprāt, šī ir ļoti interesanta pieeja, kas nodrošina jaunu veidu, kā vienreizēji mācīties tik liela mēroga datu kopās,' saka. Dziedāja Van Lī , kurš vada smadzeņu un mašīnu izlūkošanas laboratoriju Korejas progresīvā zinātnes un tehnoloģiju institūtā Tedžonā, Dienvidkorejā. 'Tas ir tehnisks ieguldījums AI kopienā, ko datorredzes pētnieki varētu pilnībā novērtēt.'

Citi ir skeptiskāki par tā lietderību, ņemot vērā to, cik tā joprojām atšķiras no cilvēka mācīšanās. Pirmkārt, saka Sems Gēršmens , Hārvardas Smadzeņu zinātnes katedras docents, cilvēki parasti mācās, izprotot komponentus, kas veido attēlu, un tam var būt vajadzīgas dažas reālās pasaules vai veselā saprāta zināšanas. Piemēram, “Segway var izskatīties ļoti atšķirīgi no velosipēda vai motocikla, taču to var veidot no vienām un tām pašām daļām”.

Pēc Gershman un Wan Lee domām, paies vēl kāds laiks, līdz mašīnas sasniegs cilvēka mācīšanos. 'Mēs joprojām esam tālu no tā, lai atklātu cilvēku noslēpumu par vienreizēju mācīšanos,' saka Vans Lī, 'taču šis priekšlikums nepārprotami rada jaunus izaicinājumus, kas ir pelnījuši turpmāku izpēti.'

paslēpties