У Німеччині на національну мережу електрозаправок виділять 300 млн євро
22 Лютого , 2017
Яким буде перший білоруський електромобіль – нові подробиці
22 Лютого , 2017

Навіщо штучний інтелект вчать переписувати свій код?

Нещодавно одна компанія розробила технологію, що дозволяє машині ефективно навчатися на прикладах в невеликій кількості і відточувати свої знання по мірі надходження нових прикладів. Її можна застосувати скрізь, наприклад, навчити смартфон розпізнавати вподобання користувача або допомогти автономним транспортним засобам швидко визначати перешкоди.

Стара приказка «повторення — мати вчення» відмінно застосовна і до машин. Багато сучасних систем штучного інтелекту, які працюють в пристроях, покладаються на повторення в процесі навчання. Алгоритми глибокого навчання дозволяють пристроям отримувати знання з наборів даних і потім застосувати те, чому вони навчилися в конкретних ситуаціях. Приміром, якщо згодувати системі ШІ дані про те, що зазвичай блакитне небо, пізніше вона почне дізнаватися небо серед зображень.

З використанням цього методу можна проводити комплексну роботу, але вона, звичайно, залишає бажати кращого. Але можна було б отримати такі ж результати, якщо пропустити систему глибокого навчання ШІ через менше число прикладів? Бостонський стартап Gamalon розробив нову технологію, щоб спробувати дати відповідь на це питання, і на цьому тижні представив два продукти, що використовують новий підхід.

Gamalon використовує техніку байєсівського програмування, програмного синтезу. В її основі лежить математика 18 століття, розроблена математиком Томасом Байесом. Байєсова ймовірність використовується для уточнених прогнозів про світ з використанням досвіду. Ця форма імовірнісного програмування — коли код використовує ймовірні, а не конкретні величини — вимагає меншого числа прикладів, щоб зробити висновок, наприклад, що небо блакитне з плямами білих хмар. Програма також уточнює свої знання по мірі подальшого вивчення прикладів, а її код можна переписати, щоб підправити ймовірності.

Імовірнісне програмування

У той час як такий новий підхід до програмування, як і раніше, має свої проблеми, які потрібно вирішити, у нього є значний потенціал для автоматизації розробки алгоритмів машинного навчання. «Ймовірнісне програмування спростить машинне навчання для дослідників і практиків», пояснює Брендан Лейк, науковий співробітник Нью-Йоркського університету, який працював над імовірнісними методами програмування в 2015 році. «У нього є можливість самостійно піклуватися про складні частини програмування».

Генеральний директор CEO і співзасновник Бен Вігода показав MIT Technology Review демонстраційний додаток для малювання, який використовує їх новий метод. Він схожий на той, що випустив Google в минулому році, тим, що передбачає, що людина намагається намалювати. Але на відміну від версії Google, яка покладається на ескізи, вже бачені раніше, додаток Gamalon покладається на імовірнісне програмування в спробі визначити ключові риси об’єкта. Таким чином, навіть якщо ви намалюєте фігуру, яка відрізняється від тих, що є в базі даних програми, поки воно зможе визначити конкретні риси — наприклад, квадрат з трикутником нагорі (будиночок) — воно буде робити правильні прогнози.

Два представлених Gamalon продукти показують, що їх методи можуть знайти комерційне застосування вже в найближчому часі. Продукт Gamalon Structure використовує байєсовський програмний синтез для розпізнавання концептів звичайного тексту і вже обходить по ефективності інші програми. Наприклад, отримавши опис телевізора від виробника, вона може визначити його бренд, назву продукту, роздільну здатність екрана, розмір та інші особливості. Інший додаток — Gamalon Match — розподіляє продукти і ціни в інвентарі магазину. В обох випадках система швидко вчиться розпізнавати варіації акронімів або скорочень.

Вігода зазначає, що є й інші можливі застосування. Наприклад, якщо оснастити байєсівською моделлю машинного навчання смартфони або ноутбуки, їм не доведеться ділитися особистими даними з великими компаніями, щоб визначати інтереси користувачів; розрахунки можна буде ефективно проводити всередині пристрою. Автономні машини теж можуть навчитися адаптуватися до навколишнього середовища набагато швидше, використовуючи цей метод навчання.

Якщо навчити штучний інтелект вчитися самостійно, йому не доведеться бути на повідку.

Джерело

Залишити відповідь

Увійти за допомогою: 
Inline
Inline