Pred kratkim je podjetje razvilo tehnologijo, ki omogoča, da se stroj učinkovito uči iz majhnega števila primerov in svoje znanje pridobiva, ko bo na voljo več primerov. Uporablja se lahko kjer koli, na primer pri poučevanju pametnega telefona, da prepozna uporabniške želje ali pomaga avtonomnim motornim sistemom hitro prepoznati ovire.
Stara poslovica „ponavljanje je mati učenja“se odlično nanaša na stroje. Mnogi sodobni sistemi umetne inteligence, ki delujejo v napravah, se zanašajo na ponavljanje v učnem procesu. Algoritmi poglobljenega učenja omogočajo AI napravam, da črpajo znanje iz nabora podatkov in nato uporabijo, kar so se naučili, v določenih situacijah. Če na primer napajate sistem AI, da je nebo običajno modro, bo pozneje nebo prepoznalo med slikami.
Zapleteno delo je mogoče storiti s to metodo, vendar zagotovo pušča veliko želenega. Toda ali bi lahko dosegli enake rezultate, če sistem AI poglobljenega učenja poganjate z manj primeri? Zagon podjetja Gamalon iz Bostona je razvil novo tehnologijo, da bi poskušal odgovoriti na to vprašanje, in ta teden je predstavil dva izdelka, ki sta vzela nov pristop.
Gamalon uporablja Bayesove tehnike programiranja, sintezo programske opreme. Temelji na matematiki iz 18. stoletja, ki jo je razvil matematik Thomas Bayes. Bayesova verjetnost se uporablja za izdelavo rafiniranih napovedi o svetu z uporabo izkušenj. Ta oblika verjetnostnega programiranja - kjer koda uporablja verjetne in ne specifične vrednosti - zahteva manj primerov, da bi na primer sklepali, da je nebo modro z obliži belih oblakov. Program tudi izpopolni svoje znanje, ko nadalje raziskujete primere, njegovo kodo pa lahko napišete, da prilagodite verjetnosti.
Verjetno programiranje
Čeprav ima ta nov pristop k programiranju svoje izzive, ki jih je treba obravnavati, ima velik potencial za avtomatizacijo razvoja algoritmov strojnega učenja. "Verjetnostno programiranje bo olajšalo strojno učenje za raziskovalce in praktike," razlaga Brendan Lake, raziskovalec newyorške univerze, ki je leta 2015 delal na verjetnostnih tehnikah programiranja. "Ima sposobnost, da sam skrbi za zapletene dele programiranja."
Generalni direktor in soustanovitelj Ben Vigoda je pokazal MIT Technology Review demo aplikacijo za risanje, ki uporablja njihovo novo metodo. Podobno je s tistim, ki ga je Google izdal lani, saj napoveduje, kaj človek poskuša narisati. O tem smo pisali podrobneje. Toda za razliko od Googlove različice, ki se opira na že vidne skice, se Gamalon opira na verjetnostno programiranje, da bi poskušal prepoznati ključne značilnosti predmeta. Tako tudi, če narišete obliko, ki se razlikuje od tistih v bazi podatkov aplikacije, če lahko prepozna posebne značilnosti - na primer kvadrat s trikotnikom na vrhu (hišo) - bo pravilno napovedoval.
Promocijski video:
Dva izdelka, ki ju je predstavil Gamalon, kažeta, da bodo njihove metode v bližnji prihodnosti morda našle komercialno uporabo. Izdelek Gamalon Structure uporablja Bayesovo sintezo programske opreme, da prepozna koncepte iz navadnega besedila in po učinkovitosti že presega druge programe. Na primer, ko je od proizvajalca prejel opis televizorja, lahko določi njegovo blagovno znamko, ime izdelka, ločljivost zaslona, velikost in druge funkcije. Druga aplikacija - Gamalon Match - distribuira izdelke in cene v zaloge v trgovini. V obeh primerih se sistem hitro nauči prepoznati razlike v kraticah ali okrajšavah.
Vigoda ugotavlja, da obstajajo tudi druge možne uporabe. Če so na primer pametni telefoni ali prenosniki opremljeni z Bayesovim strojnim učenjem, jim ne bo treba deliti osebnih podatkov z velikimi podjetji, da bi določili interese uporabnikov; izračune je mogoče učinkovito izvesti znotraj naprave. Avtonomni avtomobili se lahko tudi s pomočjo te metode učenja veliko hitreje naučijo prilagajati svojemu okolju.
Če učite umetno inteligenco, da se uči sam, ni treba, da je na povodcu.
ILYA KHEL