Niedawno firma opracowała technologię, która pozwala maszynie efektywnie uczyć się na podstawie niewielkiej liczby przykładów i doskonalić swoją wiedzę, gdy dostępnych jest więcej przykładów. Może być stosowany w dowolnym miejscu, np. Ucząc smartfona rozpoznawania preferencji użytkownika lub pomagając autonomicznym układom motorycznym szybko identyfikować przeszkody.
Stare powiedzenie „powtórka jest matką uczenia się” doskonale odnosi się do maszyn. Wiele nowoczesnych systemów sztucznej inteligencji pracujących w urządzeniach polega na powtarzaniu w procesie uczenia się. Algorytmy uczenia głębokiego umożliwiają urządzeniom sztucznej inteligencji wyodrębnianie wiedzy ze zbiorów danych, a następnie zastosowanie zdobytej wiedzy w określonych sytuacjach. Na przykład, jeśli karmisz system AI, że niebo jest zwykle niebieskie, później rozpozna niebo wśród obrazów.
Tą metodą można wykonać skomplikowaną pracę, ale z pewnością pozostawia ona wiele do życzenia. Ale czy możesz uzyskać te same wyniki, jeśli uruchomisz system głębokiego uczenia sztucznej inteligencji na mniejszej liczbie przykładów? Gamalon z siedzibą w Bostonie opracował nową technologię, aby spróbować odpowiedzieć na to pytanie, iw tym tygodniu zaprezentował dwa produkty, które mają nowe podejście.
Gamalon wykorzystuje techniki programowania bayesowskiego, syntezę oprogramowania. Opiera się na matematyce XVIII wieku opracowanej przez matematyka Thomasa Bayesa. Prawdopodobieństwo bayesowskie jest wykorzystywane do tworzenia precyzyjnych prognoz dotyczących świata na podstawie doświadczenia. Ta forma programowania probabilistycznego - gdzie kod używa raczej prawdopodobnych niż określonych wartości - wymaga mniej przykładów, aby wywnioskować, na przykład, że niebo jest niebieskie z plamami białych chmur. Program udoskonala również swoją wiedzę w miarę dalszego eksplorowania przykładów, a jego kod można przepisać, aby poprawić prawdopodobieństwa.
Programowanie probabilistyczne
Chociaż to nowe podejście do programowania wciąż wiąże się z wyzwaniami do rozwiązania, ma znaczący potencjał w zakresie automatyzacji opracowywania algorytmów uczenia maszynowego. „Programowanie probabilistyczne ułatwi uczenie maszynowe naukowcom i praktykom” - wyjaśnia Brendan Lake, badacz z Uniwersytetu Nowojorskiego, który w 2015 r. Pracował nad probabilistycznymi technikami programowania. „Potrafi samodzielnie zająć się złożonymi elementami programowania”.
CEO i współzałożyciel Ben Vigoda pokazał MIT Technology Review demonstracyjną aplikację do rysowania, która wykorzystuje ich nową metodę. Jest podobny do tego, co Google wydał w zeszłym roku, ponieważ przewiduje, co dana osoba próbuje narysować. Pisaliśmy o tym bardziej szczegółowo. Ale w przeciwieństwie do wersji Google, która opiera się na już widzianych szkicach, Gamalon polega na programowaniu probabilistycznym, aby spróbować zidentyfikować kluczowe cechy obiektu. Dlatego nawet jeśli narysujesz kształt inny niż w bazie danych aplikacji, o ile może on zidentyfikować określone cechy - na przykład kwadrat z trójkątem u góry (dom) - będzie on poprawnie przewidywał.
Film promocyjny:
Dwa produkty zaprezentowane przez Gamalon pokazują, że ich metody mogą znaleźć komercyjne zastosowanie w najbliższej przyszłości. Produkt Gamalon Structure wykorzystuje syntezę oprogramowania bayesowskiego do rozpoznawania pojęć ze zwykłego tekstu i już teraz przewyższa inne programy pod względem wydajności. Na przykład po otrzymaniu opisu telewizora od producenta może określić jego markę, nazwę produktu, rozdzielczość ekranu, rozmiar i inne funkcje. Kolejna aplikacja - Gamalon Match - dystrybuuje produkty i ceny w magazynie sklepu. W obu przypadkach system szybko uczy się rozpoznawać różnice w akronimach lub skrótach.
Vigoda zauważa, że istnieją inne możliwe zastosowania. Na przykład, jeśli smartfony lub laptopy są wyposażone w bayesowskie uczenie maszynowe, nie będą musiały udostępniać danych osobowych dużym firmom, aby określić zainteresowania użytkowników; obliczenia można przeprowadzić sprawnie wewnątrz urządzenia. Autonomiczne samochody mogą również nauczyć się dostosowywać się do otoczenia znacznie szybciej dzięki tej metodzie uczenia się.
Jeśli uczysz sztuczną inteligencję uczenia się samodzielnie, nie musi to być na smyczy.
ILYA KHEL