For nylig har et firma udviklet teknologi, der giver en maskine mulighed for at lære effektivt fra et lille antal eksempler og skærpe sin viden, efterhånden som flere eksempler bliver tilgængelige. Det kan anvendes overalt, såsom at lære en smartphone at genkende brugerpræferencer eller hjælpe autonome motorsystemer hurtigt med at identificere hindringer.
Det gamle ordsprog “gentagelse er lærerens mor” gælder perfekt for maskiner. Mange moderne kunstige intelligenssystemer, der arbejder i enheder, er afhængige af gentagelse i læringsprocessen. Deep learning-algoritmer gør det muligt for AI-enheder at udtrække viden fra datasæt og derefter anvende det, de har lært til specifikke situationer. For eksempel, hvis du fodrer et AI-system, at himlen normalt er blå, vil den senere genkende himlen blandt billederne.
Kompleks arbejde kan udføres ved hjælp af denne metode, men det efterlader bestemt meget at ønske. Men kunne du få de samme resultater, hvis du kører AI deep learning-systemet gennem færre eksempler? Den Boston-baserede opstart Gamalon har udviklet ny teknologi til at forsøge at besvare dette spørgsmål og afslørede denne uge to produkter, der tager en ny tilgang.
Gamalon bruger Bayesiske programmeringsteknikker, softwaresyntese. Det er baseret på matematik fra det 18. århundrede udviklet af matematikeren Thomas Bayes. Bayesisk sandsynlighed bruges til at foretage raffinerede forudsigelser om verden ved hjælp af erfaring. Denne form for probabilistisk programmering - hvor koden bruger sandsynlige snarere end specifikke værdier - kræver færre eksempler for at udlede, for eksempel at himlen er blå med pletter med hvide skyer. Programmet forbedrer også sin viden, når du yderligere undersøger eksemplerne, og dets kode kan skrives om for at finjustere sandsynlighederne.
Probabilistisk programmering
Selvom denne nye tilgang til programmering stadig har udfordringer at løse, har den et betydeligt potentiale til at automatisere udviklingen af maskinlæringsalgoritmer.”Probabilistisk programmering vil gøre maskinlæring lettere for forskere og praktikere,” forklarer Brendan Lake, en forsker i New York University, der arbejdede med probabilistiske programmeringsteknikker i 2015. "Han har evnen til at tage sig af de komplekse dele af programmeringen på egen hånd."
CEO CEO og co-grundlægger Ben Vigoda viste MIT Technology Review en demotegningsprogram, der bruger deres nye metode. Det svarer til det, Google frigav sidste år, idet det forudsiger, hvad en person forsøger at tegne. Vi skrev mere om det. Men i modsætning til Googles version, der er afhængig af skitser, der allerede er set, er Gamalon afhængig af probabilistisk programmering for at prøve at identificere nøglefunktioner i et objekt. Selv hvis du tegner en form, der er forskellig fra dem i applikationens database, så længe den kan identificere specifikke funktioner - for eksempel en firkant med en trekant øverst (et hus) - vil det give korrekte forudsigelser.
Salgsfremmende video:
De to produkter, der er præsenteret af Gamalon, viser, at deres metoder kan finde kommercielle anvendelser i den nærmeste fremtid. Gamalon Structure's produkt bruger Bayesian softwaresyntese til at genkende koncepter fra almindelig tekst og er allerede bedre end andre programmer med hensyn til effektivitet. For eksempel, når hun har modtaget en beskrivelse af et tv fra en producent, kan hun bestemme dets mærke, produktnavn, skærmopløsning, størrelse og andre funktioner. En anden app - Gamalon Match - distribuerer produkter og priser i lagerbeholdningen. I begge tilfælde lærer systemet hurtigt at genkende variationer i akronymer eller forkortelser.
Vigoda bemærker, at der er andre mulige anvendelser. For eksempel, hvis smartphones eller bærbare computere er udstyret med Bayesian-maskinlæring, behøver de ikke at dele personlige data med store virksomheder for at bestemme brugernes interesser; beregninger kan udføres effektivt inde i enheden. Autonome biler kan også lære at tilpasse sig deres miljø meget hurtigere ved hjælp af denne læringsmetode.
Hvis du lærer kunstig intelligens at lære på egen hånd, behøver det ikke at være i snor.
ILYA KHEL