A közelmúltban egy vállalat olyan technológiát fejlesztett ki, amely lehetővé teszi a gépek számára, hogy kis számú példa alapján hatékonyan tanuljanak, és továbbfejlesztik tudásukat, amint több példa elérhető lesz. Bárhol alkalmazható, például egy okostelefon megtanítása a felhasználói preferenciák felismerésére vagy az autonóm motorrendszerek elősegítése az akadályok gyors azonosításában.
A régi mondás: „Az ismétlés a tanulás anyja” tökéletesen vonatkozik a gépekre. Számos modern, az eszközökben működő mesterséges intelligencia rendszer a tanulási folyamat ismétléseire támaszkodik. A mély tanulási algoritmusok lehetővé teszik az AI-eszközök számára, hogy az ismeretekből nyerjék ki az adatkészleteket, majd az általuk megtanultakat specifikus helyzetekben alkalmazzák. Például, ha olyan AI rendszert ad be, amely szerint az ég általában kék, akkor később felismeri az eget a képek között.
Összetett munkát végezhetünk ezzel a módszerrel, de ez minden bizonnyal sok kívánnivalót hagy. De lehet-e ugyanaz az eredmény, ha kevesebb példán keresztül futtatja az AI mélytanulási rendszert? A bostoni székhelyű induló Gamalon új technológiát fejlesztett ki, hogy megpróbálja megválaszolni ezt a kérdést, és ezen a héten két olyan terméket mutatott be, amelyek új megközelítést alkalmaznak.
A Gamalon bayes-i programozási technikákat, szoftveres szintézist alkalmaz. A 18. századi matematikán alapul, amelyet Thomas Bayes matematikus fejlesztett ki. A Bayes-féle valószínűséget arra használják, hogy a tapasztalatok alapján finomabb előrejelzéseket készítsenek a világról. A valószínűség programozásának ez a formája - ahol a kód valószínű, nem pedig konkrét értékeket használ - kevesebb példát igényel annak megállapítására, hogy például az ég kék, a fehér felhők foltokkal. A program tovább finomítja tudását, miközben tovább vizsgálja a példákat, és kódja átírható a valószínűségek finomítása érdekében.
Valószínű programozás
Noha a programozásnak ez az új megközelítése még megoldást igényel, jelentős potenciállal rendelkezik a gépi tanulási algoritmusok fejlesztésének automatizálásában. „A valószínűségi programozás megkönnyíti a gépi tanulást a kutatók és a gyakorlati szakemberek számára” - magyarázza Brendan Lake, a New York-i Egyetem kutatója, aki 2015-ben a valószínűségi programozási technikákkal foglalkozott. "Képes egyedül a programozás komplex részeiről gondoskodni."
A vezérigazgató-vezérigazgató és Ben Vigoda társalapítója bemutatta a MIT Technology Review-nak egy demo rajz alkalmazást, amely az új módszert használja. Ez hasonló ahhoz, amit a Google tavaly kiadott, mivel előrejelzi, hogy mit próbál felhívni az ember. Részletesebben írtunk róla. A Google verziójával ellentétben, amely a már látott vázlatokra támaszkodik, a Gamalon valószínűségi programozásra támaszkodik, hogy megpróbálja azonosítani az objektum legfontosabb jellemzőit. Így még akkor is, ha olyan alakot rajzol, amely különbözik az alkalmazás adatbázisában szereplőktől, mindaddig, amíg képes azonosítani a sajátosságait - például egy négyzet háromszöggel a tetején (ház) -, akkor helyes előrejelzéseket fog készíteni.
Promóciós videó:
A Gamalon által bemutatott két termék megmutatja, hogy módszereik a közeljövőben kereskedelmi alkalmazásokat is találhatnak. A Gamalon Structure terméke bayes-i szoftverszintézist használ a fogalmak egyszerű szöveges felismerésére, és hatékonysága szempontjából már felülmúlja a többi programot. Például, miután megkapta a tévékészülék leírását a gyártótól, meghatározhatja annak márkáját, a termék nevét, a képernyő felbontását, méretét és egyéb jellemzőit. Egy másik alkalmazás - a Gamalon Match - a termékeket és az árakat osztja el áruházleltárban. Mindkét esetben a rendszer gyorsan megtanulja felismerni a rövidítések vagy rövidítések variációit.
Vigoda megjegyzi, hogy vannak más lehetséges felhasználások is. Például, ha az okostelefonokat vagy a laptopokat bayesi gépi tanulással látják el, akkor nem kell megosztaniuk a személyes adatokat a nagyvállalatokkal a felhasználók érdekeinek meghatározása érdekében; A számítások hatékonyan elvégezhetők az eszköz belsejében. Az autonóm autók sokkal gyorsabban megtanulhatnak alkalmazkodni a környezetükhöz ezzel a tanulási módszerrel.
Ha magát a mesterséges intelligenciát tanítja, akkor annak nem kell pórázon lennie.
ILYA KHEL