A mesterséges intelligencia szoftvere zsonglőrködik a kevesebb adatból való tanulás valószínűségével

A Gamalon által fejlesztett alkalmazás néhány példa megtekintése után felismeri az objektumokat. Egy tanulási program felismeri az egyszerűbb fogalmakat, például a vonalakat és a téglalapokat.

A gépi tanulás rendkívül erőteljessé válik, de rendkívül nagy mennyiségű adatot igényel.

Taníthat például egy mélytanulási algoritmust, hogy felismerjen egy macskát egy macskabarát szakértelemmel, de több tíz- vagy akár százezer macskaféle képpel kell etetnie a macskafélékről, amelyek hatalmas mennyiségű változatot rögzítenek. méretben, formában, textúrában, megvilágításban és tájolásban. Sokkal hatékonyabb lenne, ha egy algoritmus – egy kicsit az emberhez hasonlóan – kevesebb példából kidolgozna egy ötletet arról, mitől lesz egy macska macska.



Egy bostoni székhelyű startup ún Gamalon olyan technológiát fejlesztett ki, amely bizonyos helyzetekben lehetővé teszi a számítógépek számára, hogy ezt megtegyék, és kedden két terméket is kiad a megközelítés alapján.

Ha a mögöttes technika sok más feladatra is alkalmazható, akkor annak nagy hatása lehet. A kevesebb adatból való tanulás képessége révén a robotok nagyon gyorsan felfedezhetik és megérthetik az új környezeteket, vagy lehetővé teheti a számítógépek számára, hogy az adatok megosztása nélkül tájékozódjanak az Ön preferenciáiról.

A Gamalon egy általa Bayes-féle programszintézisnek nevezett technikát használ, hogy kevesebb példából tanulni képes algoritmusokat építsen. A 18. századi matematikusról, Thomas Bayesről elnevezett bayesi valószínűség matematikai keretet ad a világra vonatkozó tapasztalatokon alapuló jóslatok finomításához. Gamalon rendszere valószínűségi programozást használ – vagy olyan kódot, amely a valószínűségekkel, nem pedig konkrét változókkal foglalkozik – egy adott adatkészletet magyarázó prediktív modell felépítéséhez. Néhány példa alapján egy valószínűségi program meg tudja határozni például, hogy nagyon valószínű, hogy a macskáknak van fülük, bajuszuk és farkuk. Amint további példák is szerepelnek, a modell mögötti kódot átírják, és a valószínűségeket módosítják. Ez hatékony módot biztosít a kiemelkedő tudás elsajátítására az adatokból.

A valószínűségi programozási technikák egy ideje léteznek. 2015-ben például az MIT és a NYU egy csapata valószínűségi módszereket használt annak érdekében, hogy a számítógépek megtanulják felismerni az írott karaktereket és tárgyakat, miután csak egy példát láttak (lásd: Ez az AI algoritmus olyan gyorsan tanul meg egyszerű feladatokat, mint mi). De ez a megközelítés többnyire akadémiai kíváncsiság volt.

Nehéz számítási kihívásokat kell leküzdeni, mert a programnak sokféle lehetséges magyarázatot kell figyelembe vennie, mondja Brenden-tó , a NYU kutatója, aki a 2015-ös munkát vezette.

Lake szerint azonban elméletben a megközelítés jelentős potenciállal rendelkezik, mivel automatizálhatja a gépi tanulási modell fejlesztésének szempontjait. Lake szerint a valószínűségi programozás sokkal könnyebbé teszi a gépi tanulást a kutatók és a gyakorlati szakemberek számára. Lehetőség van arra, hogy automatikusan gondoskodjon a bonyolult [programozási] részekről.

Minden bizonnyal jelentős ösztönzők vannak a könnyebben használható és kevésbé adatigényes gépi tanulási megközelítések kidolgozására. A gépi tanulás jelenleg nagy nyers adathalmaz beszerzését, majd gyakran manuális címkézését foglalja magában. A tanulás ezután nagy adatközpontokban történik, számos számítógépes processzor segítségével, amelyek párhuzamosan kavarnak órákon vagy napokon keresztül. Csak néhány igazán nagy cég engedheti meg magának ezt, mondja Ben Vigoda, a Gamalon társalapítója és vezérigazgatója.

Elméletileg Gamalon megközelítése nagyban megkönnyítheti valakinek a gépi tanulási modell felépítését és finomítását is. A mélytanulási algoritmus tökéletesítése nagy matematikai és gépi tanulási szakértelmet igényel. Ezeknek a rendszereknek a felállítása fekete művészet, mondja Vigoda. Gamalon megközelítésével a programozó jelentős példákkal betáplálhat egy modellt.

Vigoda megmutatta MIT Technology Review demó a technikát használó rajzalkalmazással. Hasonló a Google által tavaly kiadotthoz, amely mély tanulást használ annak az objektumnak a felismerésére, amelyet egy személy felvázolni próbál (lásd: Szeretne megérteni az AI-t? Próbáljon felvázolni egy kacsát egy neurális hálózathoz ). De míg a Google alkalmazásának olyan vázlatot kell látnia, amely megegyezik a korábban látottakkal, addig a Gamalon verziója egy valószínűségi programot használ az objektum legfontosabb jellemzőinek felismerésére. Például egy program megérti, hogy egy négyzet tetején ülő háromszög valószínűleg egy ház. Ez azt jelenti, hogy még ha a vázlat nagyon eltér attól, amit korábban látott, akkor is helyesen fog kitalálni, feltéve, hogy rendelkezik ezekkel a jellemzőkkel.

A technikának jelentős rövid távú kereskedelmi alkalmazásai is lehetnek. A cég első termékei Bayes-féle programszintézist használnak a fogalmak szövegben történő felismerésére.

Az egyik termék, a Gamalon Structure a szokásosnál hatékonyabban képes kivonni a fogalmakat a nyers szövegből. Például figyelembe veheti a televízió gyártójának leírását, és meghatározhatja, hogy melyik terméket írja le, a márkát, a termék nevét, a felbontást, a méretet és egyéb jellemzőket. Egy másik termék, a Gamalon Match, a termékek és az árak kategorizálására szolgál az üzlet készletében. Minden esetben, még akkor is, ha egy termékhez vagy szolgáltatáshoz különböző betűszavakat vagy rövidítéseket használnak, a rendszer gyorsan betanítható ezek felismerésére.

Vigoda úgy véli, hogy a tanulási képességnek más gyakorlati előnyei is lesznek. A számítógép anélkül is megismerheti a felhasználó érdeklődési körét, hogy nem igényelne praktikus mennyiségű adatot vagy órákat. Lehet, hogy a személyes adatokat sem kell megosztani a nagyvállalatokkal, ha a gépi tanulás hatékonyan elvégezhető a felhasználó okostelefonján vagy laptopján. És egy robot vagy egy önvezető autó megtanulhat egy új akadályt anélkül, hogy több százezer példát kellene látnia.

elrejt

Tényleges Technológiák

Kategória

Nincs Kategorizálva

Technológia

Biotechnológia

Technikai Politika

Klímaváltozás

Ember És Technológia

Szilícium-Völgy

Számítástechnika

Mit News Magazin

Mesterséges Intelligencia

Tér

Okos Városok

Blockchain

Feature Story

Alumni Profil

Öregdiák Kapcsolat

Mit News Funkció

1865

Az Én Nézetem

77 Mass Ave

Ismerje Meg A Szerzőt

Profilok A Nagylelkűségben

Az Egyetemen Látható

Öregdiák Levelei

Hírek

Mit News Magazine

Választások 2020

Indexszel

A Kupola Alatt

Tűzoltótömlő

Végtelen Történetek

Pandémiás Technológiai Projekt

Az Elnöktől

Fedősztori

Képgaléria

Ajánlott