V poslední době společnost vyvinula technologii, která umožňuje stroji učit se efektivně z malého počtu příkladů a zdokonalovat své znalosti, jakmile bude k dispozici více příkladů. Lze jej použít kdekoli, například při výuce smartphonu rozpoznávat preference uživatele nebo pomáhat autonomním motorovým systémům rychle identifikovat překážky.
Staré přísloví „opakování je matkou učení“se perfektně vztahuje na stroje. Mnoho moderních systémů umělé inteligence pracující v zařízeních se spoléhá na opakování procesu učení. Algoritmy pro hluboké učení umožňují zařízením AI extrahovat znalosti z datových sad a poté aplikovat to, co se naučily, na konkrétní situace. Pokud například napíšete systém AI, že obloha je obvykle modrá, později rozpozná oblohu mezi obrázky.
S touto metodou lze provést složitou práci, ale rozhodně nechává hodně toho, co je třeba. Mohli byste však dosáhnout stejných výsledků, pokud spustíte hluboký vzdělávací systém AI pomocí méně příkladů? Bostonský startup Gamalon vyvinul novou technologii, aby se pokusil odpovědět na tuto otázku, a tento týden představil dva produkty, které zaujaly nový přístup.
Gamalon používá Bayesovské programovací techniky, syntézu softwaru. Je založen na matematice 18. století, kterou vyvinul matematik Thomas Bayes. Bayesovská pravděpodobnost se používá k vytváření rafinovaných předpovědí o světě pomocí zkušeností. Tato forma pravděpodobnostního programování - kde kód používá spíše pravděpodobné než specifické hodnoty - vyžaduje méně příkladů, aby bylo možné například usoudit, že obloha je modrá se skvrnami bílých mraků. Program dále upřesňuje jeho znalosti, když dále prozkoumáváte příklady, a jeho kód lze přepsat, aby se vyladily pravděpodobnosti.
Pravděpodobnostní programování
I když tento nový přístup k programování má stále problémy vyřešit, má značný potenciál automatizovat vývoj algoritmů strojového učení. „Pravděpodobnostní programování usnadní výzkumné pracovníky a odborníky v oblasti strojového učení,“vysvětluje Brendan Lake, výzkumník z New York University, který v roce 2015 pracoval na pravděpodobnostních programovacích technikách. "Má schopnost postarat se o komplexní části programování sám."
Generální ředitel a spoluzakladatel Ben Vigoda představil demonstrační aplikaci MIT Technology Review, která využívá jejich novou metodu. Je to podobné tomu, co Google vydal minulý rok v tom, že předpovídá, co se člověk snaží čerpat. O tom jsme psali podrobněji. Ale na rozdíl od verze Google, která se spoléhá na již zobrazené náčrtky, Gamalon spoléhá na pravděpodobnostní programování, aby se pokusila identifikovat klíčové vlastnosti objektu. Tedy, i když nakreslíte tvar, který je odlišný od tvarů v databázi aplikace, pokud dokáže identifikovat konkrétní prvky - například čtverec s trojúhelníkem nahoře (dům) - provede správné předpovědi.
Propagační video:
Oba produkty představené společností Gamalon ukazují, že jejich metody mohou najít komerční využití v blízké budoucnosti. Produkt Gamalon Structure používá Bayesovskou softwarovou syntézu k rozpoznání konceptů z prostého textu a již překonává jiné programy z hlediska účinnosti. Například po obdržení popisu televizoru od výrobce může určit jeho značku, název produktu, rozlišení obrazovky, velikost a další funkce. Další aplikace - Gamalon Match - distribuuje produkty a ceny do inventáře obchodů. V obou případech se systém rychle naučí rozpoznávat variace v zkratkách nebo zkratkách.
Vigoda poznamenává, že existují i jiná možná použití. Pokud jsou například smartphony nebo notebooky vybaveny strojem Bayesian, nemusí sdílet osobní údaje s velkými společnostmi, aby určily zájmy uživatelů; výpočty lze provádět efektivně uvnitř zařízení. Autonomní auta se také mohou naučit přizpůsobit se svému prostředí mnohem rychleji pomocí této metody učení.
Pokud učíte umělou inteligenci, abyste se učili samostatně, nemusí to být na vodítku.
ILYA KHEL