211service.com
Protingi „Numenta“ mokymosi algoritmai
Jeffas Hawkinsas puikiai prognozuoja ateitį. „Palm“ įkūrėjas ir „PalmPilot“ išradėjas 1990-uosius praleido kalbėdamas apie ateinantį pasaulį, kuriame visi kišenėse nešiosime galingus kompiuterius. Tada niekas tuo netikėjo – žmonės manė, kad aš išprotėjau, sako jis. Žinoma, esu sužavėtas, koks sėkmingas šiandien yra mobilusis kompiuteris.
Kas toliau: Dešimtajame dešimtmetyje „PalmPilot“ išradėjas Jeffas Hawkinsas sukūrė naują nuspėjimo algoritmų rinkinį, įkvėptą neokortekso, smegenų planavimo centro, veikimo.
Dabartinėje savo įmonėje Numenta , Hawkinsas kuria kitą idėją, kuri, atrodo, kyla iš kairiojo lauko: nukopijuoti savo smegenų veiklą, kad sukurtume programinę įrangą, kuri priima tikslius skubius sprendimus šiandienos duomenų užplūstamoms įmonėms. Jis ir jo komanda prie savo algoritmų dirbo nuo 2005 m. ir pagaliau ruošiasi išleisti versiją, kuri yra paruošta naudoti gaminiuose. „Numenta“ technologija yra skirta įvairioms programoms, pavyzdžiui, įvertinti, ar kredito kortelės operacija yra apgaulinga, numatyti, ką interneto vartotojas spustels toliau, arba numatyti tikimybę, kad konkretus ligoninės pacientas patirs atkrytį.
Šie pavyzdžiai turi bendrą tai, kad juose yra sudėtingų modelių, kurie laikui bėgant vystosi, sako Hawkinsas. Algoritmai gali analizuoti ir ekstrapoliuoti tuos modelius, nes jie pasiskolina metodus iš žmogaus smegenų dalių, kurios išsivystė, kad interpretuotų sudėtingus duomenis, gaunamus iš mūsų pojūčių, ir naudoja juos nuspėti, kas gali ateiti.
Kai kurios įmonės jau išbando naujausią „Numenta“ požiūrį. Sm4rt Security Services, kompiuterių saugos įmonė, įsikūrusi Meksikoje, yra viena iš jų. Mus pasamdė vienas geriausių pasaulio bankų, kad įrodytų, jog ši nauja technologija gali užkirsti kelią sukčiavimui kortelėmis, sako generalinis direktorius Victoras Chapela. Vos per tris mėnesius mums pavyko prilygti esamų sistemų tikslumui, kurios buvo kuriamos per 25 metus.
Bankas kitais metais kartu su esamomis priemonėmis įdiegs ir „Numenta“ pagrįstą sukčiavimo tikrintuvą, sako jis. Pasak jo, bankas kasmet patiria daugiau nei 100 mln.
„Numenta“ technologija patraukli bankams, nes jos galimybė mokytis iš ankstesnių duomenų pašalina esminę sukčiavimo prevencijos technologijos ribą. Banko kompiuterinė sistema turi tik 10 milisekundžių, kad nuspręstų, ar leisti atlikti operaciją, sako Chapela: tiesiog nėra laiko ieškoti asmens ankstesnių operacijų. Dėl to operacijos paprastai skirstomos į siaurai apibrėžtas kategorijas ir vertinamos pagal kiekvienai iš jų būdingas taisykles – taisykles, kurios yra susijusios su tokiomis savybėmis kaip kortelės tipas, apmokestinama suma ir prekybininko tipas.
Tačiau „Numenta“ technologija daro šiuos atskirus taisyklių rinkinius nereikalingus. Vietoj to, neapdoroti kiekvieno asmens išlaidų modeliai naudojami algoritmų rinkiniui išmokyti, kad jie galėtų sužinoti to kliento įpročius. Bet kuriuo metu sistema turi internalizuotą praeities įvykių atvaizdą, kurį ji naudoja, kad nuspėtų, kokios operacijos gali būti ateityje. Jei naujas sandoris neatitinka tų lūkesčių, jis gali būti pažymėtas kaip galimas sukčiavimas. Taikant šį metodą, sukčiavimo detektoriai visada yra atnaujinami, sako Chapela. Kita vertus, tradicinės analitinės sistemos taisyklės turi būti atnaujintos per daug pastangų reikalaujantį procesą, kuris paprastai atliekamas tik kartą per šešis mėnesius.
Hawkinsas įkvėpė pagrindines technologijas iš neokortekso, raukšlėto išorinio mūsų smegenų sluoksnio, atsakingo už tokias veiklas kaip kalba, judėjimas ir planavimas. Stebėtina, kad tie labai skirtingi gebėjimai atsiranda iš bendros neuronų architektūros, o ne iš skirtingų neuronų grupių, turinčių labai specifinių savybių.
Hawkinsas pasiskolino tą bendros architektūros idėją. Mes naudojame pirminius neurologijos šaltinius kaip vadovą, todėl čia yra nepaprastai daug biologijos, sako jis. Algoritmai imituoja kelis neuronų sluoksnius, kurie apdoroja informaciją neokortekse. Apatinis sluoksnis gauna neapdorotus įvesties duomenis, o tada apdorotą ir sutrumpintą versiją perduoda kitam algoritmų sluoksniui. Kai informacija kyla į tą hierarchinį modelį, ji tampa abstrahuota nuo originalo ir išskiriamos svarbiausios savybės, sakoma. Itamaras Arelis , kuris Tenesio universitete dirba mašininio mokymosi srityje.
Sistemos gebėjimas numatyti vykstančius įvykius yra pagrįstas jos unikaliu gebėjimu apdoroti laikinus arba nuo laiko priklausančius duomenis. Įprasta mokymosi programinė įranga negali to padaryti, nes ji negali apdoroti įvesties, kurią sudaro daugybė kintamųjų, kurie laikui bėgant keičiasi. Vietoj to, inžinieriai paprastai turi išskirti keletą kintamųjų, kurie, jų nuomone, yra naudingi, ir įtraukti juos į algoritmus.
Šis išankstinis apdorojimas nėra būtinas modeliuose, įkvėptuose biologinių smegenų tyrimų, sako Arelis. Vietoj to, mokymosi sistema gali pati nuspręsti, kas yra svarbu, o kas ne. Tai nauja sritis, pavadinta giliuoju mašininiu mokymusi. Tačiau dauguma akademinių pastangų yra sutelktos į vaizdų apdorojimą, sako jis. „Numenta“ unikalumas yra tas, kad ji gali apdoroti laikinus duomenis, o tai atveria įvairių tipų programas. Tarp Hawkinso numatytų pavyzdžių: įmonės galėtų geriau išanalizuoti žmonių kalbą ar elektros energijos vartojimo pastatuose modelius.
Tačiau nors šis metodas padidina sistemų, kurios gali sužinoti apie bet kokius duomenis, o ne tik vienai užduočiai specializuotis, perspektyvą, „Numenta“ vis tiek turi įrodyti, kad jos technologija yra plačiai taikoma ir ekonomiška. Taip pat neaišku, kaip bendrovė pateiks technologiją į rinką, tačiau greičiausiai tai bus kūrimo įrankių, o ne paruoštų produktų forma. Dabar, kai technologija tikrai veikia, sako Hawkins, kitais metais pereisime prie produktų kūrimo režimo.