Google on ilmoittanut seuraavasta suuresta vaiheesta tekoälyn kehittämisessä uudella lähestymistavalla koneoppimiseen, jota voidaan käyttää hermoverkkojen avulla entistä tehokkaampien hermoverkkojen luomiseen. Pohjimmiltaan puhumme koneen opettamisesta luomaan omanlaisensa.
Keinotekoisia hermoverkkoja kehitetään jäljittelemään aivojen oppimisprosessia, ja Googlen mukaan sen uudella tekniikalla, nimeltään AutoML, on mahdollisuus tehdä näistä verkoista entistä tehokkaampia, tehokkaampia ja helpompia käyttää.
Googlen toimitusjohtaja Sundar Pichai esitti esimerkin AutoML: n toiminnasta puhumalla Google I / O 2017 -tapahtumassa, joka on vuosittainen ohjelmisto- ja laitekehittäjien tapahtuma, jossa yritys yleensä esittelee tai ainakin puhuu parhaillaan tekemistään tuotteista.
"Se toimii näin: otamme joukon ehdokkaita hermoverkoille - kutsumme heitä vauvan hermoverkoiksi - ja suoritamme toistuvasti niiden kautta valmiita hermoverkkoja löytääkseen virheitä, kunnes saamme entistä tehokkaamman hermoverkon", - sanoi Pichai.
Tätä prosessia kutsutaan stimuloiduksi oppimiseksi, jossa tietokoneelle annetaan palkkio virheiden löytämisestä. Samalla periaatteella he esimerkiksi opettavat koirille uusia temppuja. Tietenkin tietokoneiden tapauksessa tämä vaatii valtavaa laskentatehoa, mutta Googlen laitteiden teho on jo saavuttanut tason, että yksi hermoverkko voi helposti analysoida toisen hermoverkon työtä.
Neuroverkon luominen vie todellisen tietokonetekniikan asiantuntijaryhmän ja valtavasti aikaa, mutta AutoML: n ansiosta tulevaisuudessa melkein kuka tahansa käyttäjä pystyy rakentamaan oman tekoälyjärjestelmänsä ja ohjelmoimaan sen suorittamaan kaikki tehtävät.
"Toivomme, että AutoML-tekniikka, joka on tällä hetkellä vain muutamien tutkimuskeskusten käytettävissä, tulee saataville kolmesta viiteen vuoteen satojen tai parempien tuhansien hermoverkkokehittäjien käyttöön, jotka haluavat käyttää niitä tiettyihin tarkoituksiin", kirjoitti Pichai virallisessa lehdessä blogi.
AutoML-tekniikan kaavio: hermoverkkojen toiminnan monitasoinen analyysi älykkimpien määrittämiseksi
Mainosvideo:
Koneoppiminen - yritys antaa tietokoneelle kyky tehdä omat johtopäätöksensä käytettävissä olevan tiedon perusteella - on vain yksi keino tekoälyn kehittämisessä, johon sisältyy kaksi tärkeää näkökohtaa: oppimisprosessi ja todellinen kyky tehdä itsenäisesti johtopäätöksiä sen perusteella. Koulutuksen avulla kaikki on suhteellisen selvää. Näytä tietokoneelle sata tuhatta kuvaa kissoista ja koirista, ja lopulta se selvittää, minkä pikselien yhdistelmän kukin näistä eläimistä tekee. Toinen osa on hieman monimutkaisempi. Loppujen lopuksi koneen vaaditaan osoittavan oppimansa, ja tämän oppimisen perusteella tullut itsenäisesti looginen arvaus. Tee johtopäätös.
Korvaa nyt kissat ja koirat neuroverkoilla, ja saat käsityksen siitä, miten AutoML toimii, joka eläinten tunnistamisen sijaan tunnistaa, mikä esitetyistä järjestelmistä on älykkäin. Googlen mukaan AutoML-taso on jo nyt sellainen, että se voi olla tehokkaampaa kuin ihmisasiantuntijat löytää parhaat lähestymistavat tiettyjen ongelmien ratkaisemiseen. Tulevaisuudessa tämä yksinkertaistaa merkittävästi uusien tekoälyjärjestelmien luomista, koska itse asiassa ne luodaan omalla tavallaan.
AutoML on tällä hetkellä vielä alkuvaiheessa, sanoo Google, mutta tekoäly, koneoppiminen ja syvä koneoppiminen (kehittyneet koneoppimismenetelmät, jotka perustuvat ihmisen aivojen hermosolujen työn simulointiin) ovat kaikki jo löytäneet tiensä tavalla tai toisella. niissä sovelluksissa ja alueilla, joita käytämme ja joille löydämme itsemme päivittäin.
I / O-konferenssin näyttämöllä esitellyssä mielenosoituksessa Google-insinöörit osoittivat, kuinka heidän koneoppimisteknologiansa avulla voidaan kirkastaa merkittävästi hyvin tummia kuvia tai esimerkiksi poistaa niistä erilaista melua. Ja kaikki nämä toimet kone pystyy suorittamaan vain luottaen tietoihin, jotka on saatu analysoimalla miljoonia muita selkeitä kuvanäytteitä. Google toteaa, että heidän supertietokoneistaan on tullut ihmistä tehokkaampia tunnistaessaan valokuvassa olevat. Tämän tekniikan perusteella pian julkaistaan mukautettu Google Lens -sovellus, joka voi tehokkaasti määrittää, mikä kukka (tai kukat) on edessäsi (tai kuvissa) älypuhelimen kameran kautta.
Tulevaisuudessa tällaiset erittäin tehokkaat syvään oppimiseen perustuvat algoritmit löytävät varmasti paikan niiden soveltamiselle lääketieteessä, jossa niihin perustuvat järjestelmät havaitsevat kuvissa pahanlaatuisten kasvainten merkit ja useimmissa tapauksissa he tekevät tämän paljon tehokkaammin kuin ammattikirurgit.
AutoML-tekniikan avulla tekoälyalustat oppivat nopeammin ja ovat paljon älykkäämpiä. Totta, tätä hetkeä on odotettava vähän kauemmin kuin luvatun "kukka-sovelluksen" julkaisu Android-alustalle. Tähän asti sovelluskehittäjillä ja tutkijoilla on kuitenkin paljon aikaa tutustua AutoML: ään paremmin.
"Uskomme, että tämä tekniikka johtaa uusien hermoverkkojen syntymiseen ja mahdollisuuksien avaamiseen, joissa edes asiantuntijat eivät pysty luomaan omia henkilökohtaisia hermoverkkojaan erityistarpeisiinsa, mikä puolestaan lisää vain koneoppimisen tekniikoiden kykyä vaikuttaa enemmän meihin kaikkiin. "- sanovat Googlen tutkijat Kuok Le ja Barrett Zof.
NIKOLAY KHIZHNYAK