211service.com
Numenta prātīgie mācību algoritmi
Džefam Hokinsam ir panākumi nākotnes prognozēšanā. Palm dibinātājs un PalmPilot izgudrotājs 90. gadus pavadīja, runājot par nākamo pasauli, kurā mēs visi kabatā nēsāsim jaudīgus datorus. Toreiz neviens tam neticēja — cilvēki domāja, ka esmu traks, viņš saka. Protams, esmu sajūsmā par to, cik veiksmīga ir mobilā skaitļošana mūsdienās.
Ko tālāk: PalmPilot izgudrotājs 90. gados Džefs Hokinss tagad ir izstrādājis jaunu prognozēšanas algoritmu kopu, ko iedvesmojusi smadzeņu plānošanas centra neokorteksa darbība.
Savā pašreizējā uzņēmumā Numenta , Hokinss strādā pie citas idejas, kas, šķiet, nāk no kreisās puses: mūsu pašu smadzeņu darbības kopēšana, lai izveidotu programmatūru, kas pieņem precīzus tūlītējus lēmumus mūsdienu datu pārpludinātajiem uzņēmumiem. Viņš un viņa komanda ir strādājuši pie saviem algoritmiem kopš 2005. gada un beidzot gatavojas izlaist versiju, kas ir gatava lietošanai produktos. Numenta tehnoloģija ir paredzēta dažādām lietojumprogrammām, piemēram, lai novērtētu, vai kredītkartes darījums ir krāpniecisks, paredzētu, uz ko tīmekļa lietotājs noklikšķinās tālāk, vai paredzētu iespējamību, ka konkrētais slimnīcas pacients piedzīvos recidīvu.
Šiem piemēriem ir kopīgs tas, ka tie satur sarežģītus modeļus, kas laika gaitā attīstās, saka Hokinss. Algoritmi var analizēt un ekstrapolēt no šiem modeļiem, jo tie aizņem metodes no cilvēka smadzeņu daļām, kas ir attīstījušās, lai interpretētu sarežģītus datus, kas straumēti no mūsu maņām, un izmantotu tos, lai prognozētu, kas varētu notikt.
Daži uzņēmumi jau izmēģina Numenta jaunāko pieeju. Sm4rt Security Services, datoru drošības uzņēmums, kas atrodas Mehiko, ir viens no tiem. Mūs nolīga viena no pasaules labākajām bankām, lai pierādītu, ka šī jaunā tehnoloģija spēj novērst karšu krāpšanu, saka izpilddirektors Viktors Čapela. Tikai trīs mēnešu laikā mums ir izdevies pielīdzināt esošo sistēmu precizitāti, kuras ir izstrādātas 25 gadu laikā.
Viņš saka, ka nākamajā gadā banka kopā ar esošajiem pasākumiem izvietos uz Numenta balstītu krāpšanas pārbaudītāju. Viņš saka, ka banka katru gadu cieš no krāpšanas vairāk nekā 100 miljonu dolāru apmērā, tāpēc viss, kas var samazināt pat daļu no tā, atmaksājas ļoti ātri.
Numenta tehnoloģija ir pievilcīga bankām, jo tās spēja mācīties no iepriekšējiem datiem novērš būtisku ierobežojumu krāpšanas novēršanas tehnoloģijā. Bankas datorsistēmai ir tikai 10 milisekundes, lai izlemtu, vai atļaut darījumu, saka Čapela: vienkārši nav laika meklēt personas iepriekšējos darījumus. Rezultātā darījumi parasti tiek sadalīti šauri definētās kategorijās un tiek vērtēti saskaņā ar katrai kategorijai raksturīgiem noteikumiem — noteikumiem, kas ir saistīti ar tādiem parametriem kā kartes veids, iekasētā summa un tirgotāja veids.
Taču Numenta tehnoloģija padara šīs atsevišķās noteikumu kopas nevajadzīgas. Tā vietā katras personas tēriņu modeļu neapstrādāta plūsma tiek izmantota, lai apmācītu algoritmu kopu, lai viņi varētu uzzināt šī klienta paradumus. Jebkurā brīdī sistēmai ir internalizēts pagātnes notikumu attēlojums, ko tā izmanto, lai prognozētu, kāda veida transakcijas, visticamāk, notiks. Ja jauns darījums neatbilst šīm cerībām, to var atzīmēt kā iespējamu krāpšanu. Šajā pieejā krāpšanas detektori vienmēr ir atjaunināti, saka Chapela. No otras puses, tradicionālās analītiskās sistēmas noteikumi ir jāatjaunina darbietilpīgā procesā, kas parasti tiek veikts tikai reizi sešos mēnešos.
Hokinsa iedvesma pamatā esošajai tehnoloģijai nāk no neokorteksa — mūsu smadzeņu saburzītā ārējā slāņa, kas ir atbildīgs par tādām darbībām kā runa, kustības un plānošana. Pārsteidzoši, šīs ļoti atšķirīgās spējas rodas no kopīgas neironu arhitektūras, nevis no dažādām neironu kopām ar ļoti specifiskām iezīmēm.
Hokinss ir aizņēmies šo ideju par kopīgu arhitektūru. Mēs izmantojam primāros avotus neirozinātnēs kā ceļvedi, tāpēc tajā ir milzīgs daudzums bioloģijas, viņš saka. Algoritmi simulē vairākus neironu slāņus, kas apstrādā informāciju neokorteksā. Apakšējais slānis saņem neapstrādātus ievades datus un pēc tam nodod apstrādāto un saīsināto versiju nākamajam algoritmu slānim. Informācijai paaugstinoties šim hierarhiskajam modelim, tā tiek abstrahēta no oriģināla, un tiek iegūtas vissvarīgākās iezīmes, saka. Itamar Arel , kurš Tenesī Universitātē strādā pie mašīnmācības.
Sistēmas spēja prognozēt notikumu attīstību ir saistīta ar tās unikālajām spējām apstrādāt laika vai laika atkarīgus datus. Parastā mācību programmatūra to nevar izdarīt, jo tā nevar apstrādāt ievadi, kas sastāv no daudziem mainīgajiem, kas laika gaitā mainās. Tā vietā inženieriem parasti ir jāizņem daži mainīgie, kas, viņuprāt, ir noderīgi, un jāievada tie algoritmos.
Šī pirmapstrāde nav nepieciešama modeļos, ko iedvesmojuši bioloģisko smadzeņu pētījumi, saka Arels. Tā vietā mācību sistēma pati var izlemt, kas ir svarīgi un kas nav. Šī ir jauna joma, ko sauc par dziļu mašīnmācību. Tomēr lielākā daļa akadēmisko centienu ir vērsti uz attēlu apstrādi, viņš saka. Numenta unikālais ir tas, ka tā spēj apstrādāt laika datus, kas atver dažāda veida lietojumprogrammas. Viens no piemēriem, ko Hokinss paredzējis: uzņēmumi varētu labāk analizēt cilvēku runu vai elektroenerģijas izmantošanas modeļus ēkās.
Bet, lai gan šī pieeja palielina iespēju izveidot sistēmas, kas var uzzināt par jebkāda veida datiem, nevis būt specializētas tikai vienam uzdevumam, Numenta joprojām ir jāpierāda, ka tās tehnoloģija ir plaši pielietojama un rentabla. Nav arī skaidrs, kā uzņēmums šo tehnoloģiju ieviesīs tirgū, taču tas, iespējams, būs izstrādes rīku, nevis gatavu produktu veidā. Tagad, kad tehnoloģija patiešām darbojas, Hokins saka, ka nākamgad mēs pārslēgsimies uz produktu izstrādes režīmu.