Äskettäin yritys on kehittänyt tekniikan, jonka avulla kone voi oppia tehokkaasti pienistä määristä esimerkkejä ja hioa tietämystään, kun lisää esimerkkejä tulee saataville. Sitä voidaan käyttää missä tahansa, esimerkiksi opettamalla älypuhelin tunnistamaan käyttäjän mieltymykset tai auttamalla autonomisia moottorijärjestelmiä tunnistamaan esteet nopeasti.
Vanha sanonta "toisto on oppimisen äiti" pätee täydellisesti koneisiin. Monet nykyaikaisissa laitteissa toimivat tekoälyjärjestelmät luottavat toistoon oppimisprosessissa. Syvän oppimisalgoritmin avulla AI-laitteet voivat poimia tietoja aineistoista ja soveltaa sitten oppimiaan tiettyihin tilanteisiin. Jos esimerkiksi syötät AI-järjestelmää, että taivas on yleensä sininen, se tunnistaa myöhemmin taivaan kuvien joukosta.
Tällä menetelmällä voidaan tehdä monimutkainen työ, mutta se jättää varmasti paljon toivomisen varaa. Mutta voisitko saada samat tulokset, jos suoritat AI-syvän oppimisen järjestelmää harvempien esimerkkien avulla? Bostoniin perustettu startup Gamalon on kehittänyt uuden tekniikan yrittää vastata tähän kysymykseen, ja julkisti tällä viikolla kaksi uutta lähestymistapaa omaavaa tuotetta.
Gamalon käyttää Bayesin ohjelmointitekniikoita, ohjelmistosynteesiä. Se perustuu matemaatikko Thomas Bayesin kehittämään 1700-luvun matematiikkaan. Bayesin todennäköisyyttä käytetään hienostuneiden ennusteiden tekemiseen maailmasta kokemuksen avulla. Tämä todennäköisyysohjelmointimuoto - jossa koodi käyttää todennäköisiä eikä tiettyjä määriä - vaatii vähemmän esimerkkejä päätellä esimerkiksi, että taivas on sininen ja valkoisten pilvien pisteitä. Ohjelma myös tarkentaa osaamistaan tutkiessasi esimerkkejä edelleen, ja sen koodi voidaan kirjoittaa uudelleen todennäköisyyksien mukauttamiseksi.
Todennäköinen ohjelmointi
Vaikka tällä uudella ohjelmointimenetelmällä on vielä haasteita ratkaistavana, sillä on huomattava potentiaali automatisoida koneoppimisalgoritmien kehittäminen.”Todennäköinen ohjelmointi helpottaa koneoppimista tutkijoille ja ammattilaisille”, kertoo New Yorkin yliopiston tutkija Brendan Lake, joka työskenteli todennäköisyysohjelmointitekniikoissa vuonna 2015. "Hänellä on kyky huolehtia ohjelmoinnin monimutkaisista osista yksin."
Toimitusjohtaja ja perustaja Ben Vigoda esittelivät MIT Technology Review -sovelluksessa demo-piirtosovelluksen, joka käyttää heidän uutta menetelmäänsä. Se on samanlainen kuin Google julkaisi viime vuonna, koska se ennustaa mitä ihminen yrittää piirtää. Kirjoitimme siitä yksityiskohtaisemmin. Mutta toisin kuin Googlen versiossa, joka perustuu jo näkemiin luonnoksiin, Gamalon luottaa todennäköisyysohjelmiin yrittääkseen tunnistaa objektin tärkeimmät piirteet. Siksi, vaikka piirtäisitkin muodon, joka eroaa sovelluksen tietokannasta, kunhan se pystyy tunnistamaan erityisiä piirteitä - esimerkiksi neliön, jonka yläosassa on kolmio (talo) -, se tekee oikeat ennusteet.
Mainosvideo:
Gamalonin esittämät kaksi tuotetta osoittavat, että niiden menetelmät saattavat löytää kaupallisia sovelluksia lähitulevaisuudessa. Gamalon Structure -tuotteessa käytetään Bayesin ohjelmistosynteesiä käsitteiden tunnistamiseksi selkeästä tekstistä ja se on jo tehokkuuden suhteen parempi kuin muut ohjelmat. Saatuaan esimerkiksi valmistajan kuvauksen televisiosta, hän voi määrittää sen tuotemerkin, tuotenimen, näytön tarkkuuden, koon ja muut ominaisuudet. Toinen sovellus - Gamalon Match - jakaa tuotteita ja hintoja myymälävarastoissa. Molemmissa tapauksissa järjestelmä oppii nopeasti tunnistamaan lyhenteiden tai lyhenteiden vaihtelut.
Vigoda toteaa, että on olemassa myös muita mahdollisia käyttötapoja. Esimerkiksi, jos älypuhelimissa tai kannettavissa tietokoneissa on bayesilainen koneoppiminen, heidän ei tarvitse jakaa henkilökohtaisia tietoja suurten yritysten kanssa käyttäjien etujen määrittämiseksi; laskelmat voidaan suorittaa tehokkaasti laitteen sisällä. Autonomiset autot voivat myös oppia sopeutumaan ympäristöönsä paljon nopeammin tätä oppimismenetelmää käyttämällä.
Jos opetat tekoälyn oppimaan yksinään, sen ei tarvitse olla hihnassa.
ILYA KHEL