„Google“ įdiegia savo virtualiųjų smegenų technologiją

Šią vasarą „Google“ nustatė naują orientyrą dirbtinio intelekto srityje su programine įranga, kuri išmoko atpažinti kates, žmones ir kitus dalykus tiesiog žiūrint „YouTube“ vaizdo įrašus (žr. „Savamokslė programinė įranga“). Ši technologija, sukurta pagal smegenų ląstelių veikimo pavyzdį, dabar yra naudojama, kad „Google“ produktai būtų išmanesni, o kalbos atpažinimas yra pirmoji naudinga paslauga.

Platoniškas idealas: Šis sudėtinis vaizdas yra idealus stimulas, kurį „Google“ neuroninis tinklas atpažįsta kaip katės veidą.

„Google“ mokymosi programinė įranga yra pagrįsta sujungtų smegenų ląstelių grupių, kurios bendrauja ir daro viena kitą įtaką, modeliavimu. Kai toks neuroninis tinklas, kaip jis vadinamas, yra veikiamas duomenų, ryšiai tarp skirtingų neuronų gali pasikeisti. Dėl to tinklas išvysto gebėjimą tam tikrais būdais reaguoti į gaunamus tam tikros rūšies duomenis – ir teigiama, kad tinklas kažko išmoko.

Neuroniniai tinklai buvo naudojami dešimtmečius tose srityse, kuriose taikomas mašininis mokymasis, pavyzdžiui, žaidimo šachmatais programinė įranga ar veido aptikimas. „Google“ inžinieriai rado būdų, kaip panaudoti daugiau skaičiavimo galios, nei buvo įmanoma anksčiau, sukurdami neuroninius tinklus, kurie gali mokytis be žmogaus pagalbos ir yra pakankamai tvirti, kad būtų naudojami komerciniais tikslais, o ne tik kaip mokslinių tyrimų demonstravimas.

Bendrovės neuroniniai tinklai patys nusprendžia, į kurias duomenų ypatybes atkreipti dėmesį ir kokie modeliai yra svarbūs, o ne žmonės nusprendžia, kad, tarkime, spalvos ir konkrečios formos domina programinę įrangą, bandančią identifikuoti objektus.

„Google“ dabar naudoja šiuos neuroninius tinklus, kad tiksliau atpažintų kalbą – technologiją, kuri tampa vis svarbesnė „Google“ išmaniųjų telefonų operacinei sistemai „Android“, taip pat paieškos programai, kurią ji teikia „Apple“ įrenginiams (žr. „Google“ atsakymą į Siri mąsto į priekį). Neteisingi žodžiai pagerėjo nuo 20 iki 25 procentų Vincentas Vanhoucke'as , „Google“ kalbos atpažinimo pastangų lyderė. Tai reiškia, kad daug daugiau žmonių turės puikią patirtį be klaidų. Neuroninis tinklas kol kas veikia tik JAV anglų kalba, o Vanhoucke'as teigia, kad panašūs patobulinimai turėtų būti įmanomi, kai jis bus pristatytas kitiems dialektams ir kalboms.

Tikėtina, kad kiti „Google“ produktai laikui bėgant tobulės pasitelkus naują mokymosi programinę įrangą. Pavyzdžiui, įmonės vaizdų paieškos įrankiai galėtų geriau suprasti, kas yra nuotraukoje, nepasikliaujant aplinkiniu tekstu. Be to, „Google“ savarankiškai vairuojantys automobiliai (žr. „Žiūrėk, be rankų“) ir į akinius įmontuotas mobilusis kompiuteris (žr. „Norėsite Google's Goggles“) galėtų gauti naudos iš programinės įrangos, galinčios geriau suprasti realaus pasaulio duomenis.

Naujoji technologija patraukė antraštes dar šių metų birželį, kai „Google“ inžinieriai paskelbė eksperimento, kurio metu 10 milijonų vaizdų, paimtų iš „YouTube“ vaizdo įrašų, į jų imituotas smegenų ląsteles, 10 dienų be pertraukos paleidžiant 16 000 procesorių tūkstantyje kompiuterių, rezultatus.

Vidutinės savybės: Šis sudėtinis vaizdas yra idealus stimulas „Google“ programinei įrangai aptikti nuotraukoje žmogaus veidą.

Dauguma žmonių savo modelį laiko vienoje mašinoje, bet mes norėjome eksperimentuoti su labai dideliais neuroniniais tinklais, sako Džefas Deanas , inžinierius, padedantis atlikti „Google“ tyrimą. Jei padidinsite modelio dydį ir treniruojamų duomenų kiekį, galėsite išmokti smulkesnių skirtumų ar sudėtingesnių funkcijų.

Neuroniniai tinklai, kurie atsiranda iš šio proceso, yra lankstesni. Šie modeliai paprastai gali užimti daug daugiau konteksto, sako Deanas, pateikdamas pavyzdį iš kalbos atpažinimo pasaulio. Pavyzdžiui, jei „Google“ sistema manytų išgirdusi ką nors sakant, kad valgysiu ličią, bet paskutinis žodis buvo šiek tiek prislopintas, ji galėtų patvirtinti savo nuojautą remiantis ankstesne frazių patirtimi, nes ličiai yra vaisius ir vartojami tas pats kontekstas kaip obuolys ar apelsinas.

Deanas sako, kad jo komanda taip pat išbando modelius, kurie kartu supranta ir vaizdus, ​​ir tekstą. Jūs suteikiate jam „kiaurytę“ ir pateikiate jūrų kiaulių nuotraukas, sako jis. Jei pavaizduosite jūrų kiaulę, tai reiškia žodį „kiaulė“.

Kitas žingsnis galėtų būti, kad tas pats modelis išmoktų ir žodžių garsus. Galimybė susieti įvairių formų duomenis, pvz., gali paskatinti kalbos atpažinimą, kuris, pavyzdžiui, surenka papildomų užuominų iš vaizdo įrašo, ir gali padidinti „Google“ savarankiškai vairuojančių automobilių galimybes, padėdamas jiems suprasti aplinką, derinant daugybę duomenų srautų. jie renka nuo netoliese esančių kliūčių lazerinių nuskaitymų iki informacijos iš automobilio variklio.

„Google“ darbas kuriant neuroninius tinklus priartina mus prie vieno iš galutinių AI tikslų – sukurti programinę įrangą, kuri atitiktų gyvūnų ar galbūt net žmonių intelektą. Yoshua Bengio , Monrealio universiteto profesorius, dirbantis su panašiais mašininio mokymosi metodais. Tai yra kelias į bendresnio dirbtinio intelekto kūrimą – jokiu būdu negausite protingos mašinos, jei ji negalės perimti daug žinių apie pasaulį, sako jis.

Tiesą sakant, „Google“ neuroniniai tinklai veikia panašiai, kaip neurologai žino apie žinduolių regos žievę, smegenų dalį, kuri apdoroja vaizdinę informaciją, sako Bengio. Pasirodo, [Google] naudojami funkcijų mokymosi tinklai yra panašūs į smegenų naudojamus metodus, kurie gali atrasti egzistuojančius objektus.

Tačiau jis skuba pridurti, kad net „Google“ neuroniniai tinklai yra daug mažesni už smegenis ir kad jie negali atlikti daugelio žvalgybai reikalingų dalykų, pavyzdžiui, samprotauti su informacija, surinkta iš išorinio pasaulio.

Deanas taip pat rūpinasi, kad nenurodytų, jog jo kuriami riboti intelektai yra artimi bet kokioms biologinėms smegenims. Tačiau jis negali atsispirti nurodydamas, kad jei pasirinksite tinkamą konkursą, „Google“ neuroniniai tinklai privers žmones nugalėti.

Atliekant kai kurias vizualines užduotis matome geresnį nei žmogaus lygmens našumą, sako jis, pateikdamas ženklinimo pavyzdį, kai namų numeriai rodomi nuotraukose, darytose „Google“ gatvės vaizdo automobiliu, o šis darbas buvo atliktas daugeliui žmonių.

Jie pradeda naudoti neuroninius tinklus, kad nuspręstų, ar pleistras [vaizde] yra namo numeris, ar ne, sako Deanas, ir pasirodo, kad jie veikia geriau nei žmonės. Tai nedidelė pergalė, tačiau ji parodo, kiek dirbtiniai neuroniniai tinklai atsilieka nuo jūsų galvos. Tikriausiai tai nėra labai įdomu, o kompiuteris niekada nepavargsta, sako Deanas. Norint nuobodžiauti, reikia tikro sumanumo.

paslėpti