Наскоро компания разработи технология, която позволява на машината да се учи ефективно от малък брой примери и усъвършенства знанията си, тъй като стават достъпни повече примери. Може да се прилага навсякъде, като например да научи смартфон да разпознава предпочитанията на потребителя или да помага на автономните двигателни системи бързо да идентифицират препятствията.
Старата поговорка „повторението е майката на ученето“се прилага перфектно за машините. Много съвременни системи за изкуствен интелект, работещи в устройства, разчитат на повторение в процеса на обучение. Алгоритмите за задълбочено обучение позволяват на AI устройствата да извличат знания от набори от данни и след това да прилагат наученото в конкретни ситуации. Например, ако захранвате AI система, че небето обикновено е синьо, по-късно тя ще разпознае небето сред изображенията.
Сложната работа може да се извърши с помощта на този метод, но със сигурност оставя много да се желае. Но можете ли да получите същите резултати, ако стартирате системата за задълбочено обучение AI чрез по-малко примери? Базираният в Бостън стартъп Gamalon разработи нова технология, за да се опита да отговори на този въпрос, и тази седмица представи два продукта, които предприемат нов подход.
Gamalon използва Bayesian методи за програмиране, синтез на софтуер. Тя се основава на математика от 18 век, разработена от математика Томас Байес. Байесовската вероятност се използва за да се правят прецизирани прогнози за света, използвайки опит. Тази форма на вероятностно програмиране - където кодът използва вероятни, а не конкретни стойности - изисква по-малко примери, за да се заключи например, че небето е синьо с петна от бели облаци. Програмата също усъвършенства знанията си, докато допълнително проучвате примерите и нейният код може да бъде пренаписан, за да настроите вероятностите.
Вероятностно програмиране
Въпреки че този нов подход към програмирането все още има предизвикателства за решаване, той има значителен потенциал за автоматизиране на разработването на алгоритми за машинно обучение. „Вероятностното програмиране ще улесни машинното обучение за изследователи и практикуващи“, обяснява Брендън Лейк, изследовател от Нюйоркския университет, който е работил върху вероятностните техники за програмиране през 2015 г. "Той има способността сам да се грижи за сложните части на програмирането."
Главният изпълнителен директор и съосновател Бен Вигода показа MIT Technology Review демонстрационно приложение за рисуване, което използва техния нов метод. Подобно е на това, което Google пусна миналата година, тъй като предсказва какво се опитва да нарисува човек. Писахме за това по-подробно. Но за разлика от версията на Google, която разчита на вече видени скици, Gamalon разчита на вероятностно програмиране, за да се опита да идентифицира ключовите характеристики на даден обект. По този начин, дори ако нарисувате форма, различна от тази в базата данни на приложението, стига да може да идентифицира специфични характеристики - например квадрат с триъгълник в горната част (къща) - той ще прави правилни прогнози.
Промоционално видео:
Двата продукта, представени от Gamalon, показват, че техните методи могат да намерят търговско приложение в близко бъдеще. Продуктът на Gamalon Structure използва синтез на софтуер на Bayesian, за да разпознава понятия от обикновен текст и вече превъзхожда други програми по отношение на ефективността. Например, след като е получила описание на телевизор от производител, тя може да определи марката, името на продукта, разделителната способност на екрана, размера и други функции. Друго приложение - Gamalon Match - разпространява продукти и цени в магазина. И в двата случая системата бързо се научава да разпознава отклонения в съкращения или съкращения.
Vigoda отбелязва, че има и други възможни приложения. Например, ако смартфоните или лаптопите са оборудвани с байесовско машинно обучение, няма да им се налага да споделят лични данни с големи компании, за да определят интересите на потребителите; изчисленията могат да се извършват ефективно вътре в устройството. Автономните автомобили също могат да се научат да се адаптират към средата си много по-бързо, използвайки този метод на обучение.
Ако научите изкуствения интелект да се учи самостоятелно, не е нужно да е на каишка.
ИЛЯ КХЕЛ
