211service.com
AI programinė įranga žongliruoja tikimybes mokytis iš mažiau duomenų
Gamalon sukurta programėlė atpažįsta objektus pamačiusi kelis pavyzdžius. Mokymosi programa atpažįsta paprastesnes sąvokas, tokias kaip linijos ir stačiakampiai.
Mašininis mokymasis tampa itin galingas, tačiau tam reikia itin daug duomenų.
Pavyzdžiui, galite išmokyti gilaus mokymosi algoritmą, kad atpažintumėte katę, kurios kompetencijos lygis yra kačių mėgėjas, tačiau turėsite jai pamaitinti dešimtis ar net šimtus tūkstančių kačių vaizdų, kad būtų užfiksuota didžiulė įvairovė. pagal dydį, formą, tekstūrą, apšvietimą ir orientaciją. Būtų daug veiksmingiau, jei algoritmas, panašus į žmogų, galėtų sukurti idėją apie tai, kas katę paverčia kate iš mažiau pavyzdžių.
Bostone įsikūręs startuolis vadinamas Gamalonas sukūrė technologiją, leidžiančią kompiuteriams tai padaryti tam tikrose situacijose, ir antradienį išleidžia du produktus, paremtus šiuo požiūriu.
Jei pagrindinė technika gali būti taikoma daugeliui kitų užduočių, tai gali turėti didelį poveikį. Galimybė mokytis iš mažiau duomenų gali leisti robotams labai greitai tyrinėti ir suprasti naujas aplinkas arba kompiuteriams sužinoti apie jūsų nuostatas nesidalinant jūsų duomenimis.
Gamalonas naudoja techniką, kurią vadina Bajeso programos sinteze, kad sukurtų algoritmus, galinčius mokytis iš mažiau pavyzdžių. Bajeso tikimybė, pavadinta XVIII amžiaus matematiko Thomaso Bayeso vardu, suteikia matematinį pagrindą, leidžiantį patikslinti prognozes apie pasaulį remiantis patirtimi. Gamalono sistema naudoja tikimybinį programavimą arba kodą, kuriame atsižvelgiama į tikimybes, o ne į konkrečius kintamuosius, kad sukurtų nuspėjamąjį modelį, paaiškinantį tam tikrą duomenų rinkinį. Vos iš kelių pavyzdžių tikimybinė programa gali nustatyti, pavyzdžiui, kad labai tikėtina, kad katės turi ausis, ūsus ir uodegas. Pateikiant daugiau pavyzdžių, modelio kodas perrašomas, o tikimybės pakeičiamos. Tai yra efektyvus būdas įgyti svarbiausių žinių iš duomenų.
Tikimybinio programavimo metodai egzistuoja jau kurį laiką. Pavyzdžiui, 2015 m. MIT ir NYU komanda naudojo tikimybinius metodus, kad kompiuteriai išmoktų atpažinti užrašytus simbolius ir objektus, pamatę tik vieną pavyzdį (žr. Šis AI algoritmas mokosi paprastų užduočių taip pat greitai, kaip ir mes). Tačiau požiūris dažniausiai buvo akademinis smalsumas.
Reikia įveikti sudėtingus skaičiavimo iššūkius, nes programa turi atsižvelgti į daugybę skirtingų galimų paaiškinimų Brendeno ežeras , NYU mokslinis bendradarbis, vadovavęs 2015 m.
Vis dėlto teoriškai, Lake sako, šis metodas turi didelį potencialą, nes jis gali automatizuoti mašininio mokymosi modelio kūrimo aspektus. Tikimybinis programavimas padarys mašininį mokymąsi daug lengvesnį tyrėjams ir praktikams, sako Lake. Jis gali automatiškai pasirūpinti sudėtingomis [programavimo] dalimis.
Žinoma, yra daug paskatų kurti lengviau naudojamus ir mažiau duomenų reikalaujančius mašininio mokymosi metodus. Mašininis mokymasis šiuo metu apima didelio neapdorotų duomenų rinkinio įsigijimą ir dažnai jo žymėjimą rankiniu būdu. Tada mokymasis vyksta dideliuose duomenų centruose, naudojant daugybę kompiuterių procesorių, kurie lygiagrečiai sukasi valandas ar dienas. Yra tik kelios tikrai didelės įmonės, kurios tikrai gali sau leisti tai padaryti, sako Benas Vigoda, vienas iš Gamalon įkūrėjų ir generalinis direktorius.
Teoriškai Gamalono požiūris taip pat gali padėti kam nors sukurti ir tobulinti mašininio mokymosi modelį. Norint tobulinti giluminio mokymosi algoritmą, reikia daug matematinių ir mašininio mokymosi žinių. Šių sistemų nustatymas yra juodas menas, sako Vigoda. Taikydamas Gamalono metodą, programuotojas galėtų parengti modelį, pateikdamas reikšmingų pavyzdžių.
Vigoda parodė MIT technologijų apžvalga demonstracinė versija su piešimo programėle, kurioje naudojama technika. Jis panašus į praėjusiais metais išleistą „Google“, kuri naudoja gilųjį mokymąsi, kad atpažintų objektą, kurį žmogus bando nupiešti (žr. Norite suprasti dirbtinį intelektą? Pabandykite nubrėžti antį neuroniniam tinklui ). Tačiau „Google“ programai reikia matyti eskizą, atitinkantį anksčiau matytą eskizą, o Gamalon versija naudoja tikimybinę programą, kad atpažintų pagrindines objekto savybes. Pavyzdžiui, viena programa supranta, kad trikampis, esantis aikštės viršuje, greičiausiai yra namas. Tai reiškia, kad net jei jūsų eskizas labai skiriasi nuo anksčiau matyto, jis atspės teisingai, jei turi tas savybes.
Ši technika taip pat gali turėti reikšmingų trumpalaikių komercinių pritaikymų. Pirmuosiuose bendrovės produktuose sąvokoms tekste atpažinti naudojama Bayeso programos sintezė.
Vienas produktas, vadinamas Gamalon Structure, gali efektyviau nei įprastai išgauti sąvokas iš neapdoroto teksto. Pavyzdžiui, tai gali paimti gamintojo pateiktą televizoriaus aprašymą ir nustatyti, koks produktas aprašomas, prekės ženklą, gaminio pavadinimą, skiriamąją gebą, dydį ir kitas savybes. Kitas produktas, Gamalon Match, naudojamas produktams ir kainai suskirstyti parduotuvės inventoriuje. Kiekvienu atveju, net kai gaminiui ar funkcijai naudojami skirtingi akronimai ar santrumpos, sistema gali būti greitai išmokyta juos atpažinti.
Vigoda mano, kad gebėjimas mokytis turės ir kitos praktinės naudos. Kompiuteris gali sužinoti apie vartotojo pomėgius nereikalaujant nepraktiško duomenų kiekio ar valandų mokymo. Asmeniniais duomenimis gali nereikėti dalytis ir su didelėmis įmonėmis, jei mašininį mokymąsi galima efektyviai atlikti naudojant vartotojo išmanųjį telefoną ar nešiojamąjį kompiuterį. Be to, robotas ar savarankiškai važiuojantis automobilis gali sužinoti apie naują kliūtį nematydamas šimtų tūkstančių pavyzdžių.