Nylig har et selskap utviklet teknologi som lar en maskin lære effektivt fra et lite antall eksempler og finpusse kunnskapen sin etter hvert som flere eksempler blir tilgjengelige. Det kan brukes hvor som helst, for eksempel å lære en smarttelefon å gjenkjenne brukerpreferanser eller hjelpe autonome motorsystemer raskt å identifisere hindringer.
Det gamle ordtaket "repetisjon er læremoren" gjelder perfekt for maskiner. Mange moderne kunstige intelligenssystemer som arbeider i enheter, er avhengige av repetisjon i læringsprosessen. Dype læringsalgoritmer gjør AI-enheter i stand til å hente ut kunnskap fra datasett og deretter anvende det de har lært i bestemte situasjoner. Hvis du for eksempel mater et AI-system som himmelen vanligvis er blå, vil den senere gjenkjenne himmelen blant bildene.
Kompleks arbeid kan gjøres ved hjelp av denne metoden, men det overlater absolutt mye å være ønsket. Men kan du få de samme resultatene hvis du kjører AI dyp læringssystem gjennom færre eksempler? Boston-baserte oppstart Gamalon har utviklet ny teknologi for å prøve å svare på dette spørsmålet, og denne uken avduket to produkter som tar en ny tilnærming.
Gamalon bruker Bayesiske programmeringsteknikker, programvaresyntese. Det er basert på matematikk fra 1700-tallet utviklet av matematikeren Thomas Bayes. Bayesisk sannsynlighet brukes til å lage raffinerte spådommer om verden ved hjelp av erfaring. Denne formen for probabilistisk programmering - der koden bruker sannsynlige snarere enn spesifikke verdier - krever færre eksempler for å utlede, for eksempel at himmelen er blå med flekker av hvite skyer. Programmet foredler også kunnskapen sin når du utforske eksemplene videre, og koden kan skrives om for å finjustere sannsynlighetene.
Probabilistisk programmering
Selv om denne nye tilnærmingen til programmering fremdeles har utfordringer å løse, har den et betydelig potensial for å automatisere utviklingen av maskinlæringsalgoritmer. "Probabilistisk programmering vil gjøre maskinlæring lettere for forskere og praktikere," forklarer Brendan Lake, en forsker i New York University som jobbet med probabilistisk programmeringsteknikker i 2015. "Han har evnen til å ta vare på de komplekse delene av programmering på egen hånd."
Administrerende direktør og medgründer Ben Vigoda viste MIT Technology Review en applikasjon for demotegning som bruker deres nye metode. Det ligner det Google ga ut i fjor ved at det spår hva en person prøver å tegne. Vi skrev mer om det. Men i motsetning til Googles versjon, som er avhengig av skisser som allerede er sett, er Gamalon avhengig av sannsynlig programmering for å prøve å identifisere viktige funksjoner i et objekt. Selv om du tegner en form som er forskjellig fra dem i applikasjonens database, så lenge den kan identifisere spesifikke funksjoner - for eksempel en firkant med en trekant øverst (et hus), vil det gi riktige spådommer.
Salgsfremmende video:
De to produktene presentert av Gamalon viser at metodene deres kan finne kommersielle bruksområder i løpet av en nær fremtid. Gamalon Structure's produkt bruker Bayesian programvaresyntese for å gjenkjenne konsepter fra ren tekst og er allerede bedre enn andre programmer når det gjelder effektivitet. Etter å ha mottatt en beskrivelse av en TV fra en produsent, kan hun for eksempel bestemme merkevare, produktnavn, skjermoppløsning, størrelse og andre funksjoner. En annen app - Gamalon Match - distribuerer produkter og priser i butikkbeholdningen. I begge tilfeller lærer systemet raskt å gjenkjenne variasjoner i akronymer eller forkortelser.
Vigoda bemerker at det er andre mulige bruksområder. Hvis smarttelefoner eller bærbare datamaskiner for eksempel er utstyrt med Bayesian maskinlæring, trenger de ikke å dele personopplysninger med store selskaper for å bestemme brukerens interesser; beregninger kan utføres effektivt inne i enheten. Autonome biler kan også lære seg å tilpasse seg miljøet mye raskere ved hjelp av denne læringsmetoden.
Hvis du lærer kunstig intelligens å lære på egen hånd, trenger det ikke å være i bånd.
ILYA KHEL
