Kunstig Intelligens Begyndte At Lære 10 Gange Hurtigere Og Mere Effektivt - Alternativ Visning

Kunstig Intelligens Begyndte At Lære 10 Gange Hurtigere Og Mere Effektivt - Alternativ Visning
Kunstig Intelligens Begyndte At Lære 10 Gange Hurtigere Og Mere Effektivt - Alternativ Visning

Video: Kunstig Intelligens Begyndte At Lære 10 Gange Hurtigere Og Mere Effektivt - Alternativ Visning

Video: Kunstig Intelligens Begyndte At Lære 10 Gange Hurtigere Og Mere Effektivt - Alternativ Visning
Video: Kunstig Intelligens - Behandling af sygdomme 2024, Marts
Anonim

Googles afdeling for kunstig intelligens annoncerede oprettelsen af en ny metode til træning af neurale netværk, der kombinerer brugen af avancerede algoritmer og gamle videospil. Gamle Atari-videospil bruges som læringsmiljø.

Udviklerne af DeepMind (husk at disse mennesker skabte AlphaGo-neurale netværk, som gentagne gange har besejret de bedste spillere i det logiske spil go) mener, at maskiner kan lære på samme måde som mennesker. Ved hjælp af DMLab-30 træningssystemet, der er baseret på Quake III shooter og Atari arkadespil (57 forskellige spil bruges), har ingeniører udviklet en ny IMPALA (Importance Weighted Actor-Learner Architectures) maskinlæringsalgoritme. Det giver de enkelte dele mulighed for at lære at udføre flere opgaver på én gang og derefter udveksle viden indbyrdes.

Image
Image

På mange måder var det nye system baseret på det tidligere Asynchronous Actor-Critic Agents (A3C) arkitektursystem, hvor individuelle agenter udforsker miljøet, derefter stopper processen, og de udveksler viden med den centrale komponent, "studenten". Hvad angår IMPALA, kan det have flere agenter, og selve læringsprocessen foregår på en lidt anden måde. I det sender agenter information til to "studerende" på en gang, som derefter også udveksler data med hinanden. Hvis beregningen af gradienten for tabsfunktionen (med andre ord forskellen mellem de forudsagte og opnåede parameterværdier) udføres af agenterne selv, der sender information til den centrale kerne, udføres denne opgave af "studerende" i IMPALA-systemet.

Et eksempel på en person, der spiller gennem spillet:

Her er, hvordan IMPALA-systemet håndterer den samme opgave:

En af de største udfordringer i udviklingen af AI er tid og behovet for høj computerkraft. Selv når de er autonome, har maskiner brug for regler, som de kan følge i deres egne eksperimenter og finde måder at løse problemer på. Da vi ikke bare kan bygge robotter og lade dem lære, bruger udviklere simuleringer og dyb læringsteknikker.

For at moderne neurale netværk skal lære noget, er de nødt til at behandle en enorm mængde information, i dette tilfælde milliarder af rammer. Og jo hurtigere de gør det, jo mindre tid tager det at lære.

Salgsfremmende video:

Med tilstrækkelige processorer siger DeepMind, at IMPALA opnår 250.000 billeder pr. Sekund eller 21 milliarder rammer pr. Dag. Dette er en absolut rekord for opgaver af denne art ifølge The Next Web. Udviklerne kommenterer selv, at deres AI-system klarer opgaven bedre end lignende maskiner og personer.

I fremtiden kan lignende AI-algoritmer bruges i robotik. Ved at optimere maskinindlæringssystemer vil robotter tilpasse sig deres miljø hurtigere og arbejde mere effektivt.

Nikolay Khizhnyak