Nesen uzņēmums ir izstrādājis tehnoloģiju, kas ļauj mašīnai efektīvi mācīties no neliela skaita piemēru un papildināt savas zināšanas, jo kļūst arvien vairāk piemēru. To var izmantot jebkur, piemēram, iemācīt viedtālrunim atpazīt lietotāja vēlmes vai palīdzēt autonomām motoru sistēmām ātri noteikt šķēršļus.
Vecā sakāmvārds “atkārtošana ir mācīšanās māte” lieliski attiecas uz mašīnām. Daudzas mūsdienu mākslīgā intelekta sistēmas, kas darbojas ierīcēs, paļaujas uz atkārtošanos mācību procesā. Dziļie mācību algoritmi ļauj AI ierīcēm iegūt zināšanas no datu kopām un pēc tam pielietot iemācītās īpašās situācijās. Piemēram, ja jūs barojat AI sistēmu, ka debesis parasti ir zilas, tas vēlāk debesis atpazīs starp attēliem.
Izmantojot šo metodi, var veikt sarežģītu darbu, taču tas noteikti atstāj daudz ko vēlēties. Bet vai jūs varētu iegūt tādus pašus rezultātus, ja jūs vadāt AI dziļās mācīšanās sistēmu, izmantojot mazāk piemēru? Bostonas uzņēmums Startalon Gamalon ir izstrādājis jaunu tehnoloģiju, lai mēģinātu atbildēt uz šo jautājumu, un šonedēļ atklāja divus produktus, kuriem ir jauna pieeja.
Gamalons izmanto Bajesija programmēšanas paņēmienus, programmatūras sintēzi. Tas ir balstīts uz 18. gadsimta matemātiku, ko izstrādājis matemātiķis Tomass Bajess. Bajesija varbūtība tiek izmantota, lai, izmantojot pieredzi, izteiktu precīzākas prognozes par pasauli. Šāda varbūtības programmēšanas forma - ja kodā tiek izmantotas iespējamās, nevis konkrētās vērtības - prasa mazāk piemēru, lai secinātu, piemēram, ka debesis ir zilas ar baltu mākoņu plankumiem. Programma arī uzlabo savas zināšanas, turpinot izpētīt piemērus, un tās kodu var pārrakstīt, lai mazinātu varbūtības.
Varbūtības programmēšana
Lai gan šī jaunā pieeja programmēšanai vēl ir jārisina, tai ir ievērojams potenciāls automatizēt mašīnmācīšanās algoritmu izstrādi. “Varbūtēja programmēšana atvieglos mašīnmācīšanos pētniekiem un praktiķiem,” skaidro Brendans Eils, Ņujorkas universitātes pētnieks, kurš 2015. gadā strādāja pie varbūtības programmēšanas metodēm. "Viņam ir iespēja patstāvīgi parūpēties par sarežģītākajām programmēšanas daļām."
Izpilddirektors un līdzdibinātājs Bens Vigoda parādīja MIT Technology Review demonstrācijas zīmēšanas programmu, kurā tiek izmantota viņu jaunā metode. Tas ir līdzīgs tam, ko Google izlaida pagājušajā gadā, jo tas paredz, ko cilvēks mēģina uzzīmēt. Mēs par to rakstījām sīkāk. Bet atšķirībā no Google versijas, kas balstās uz jau redzētajām skicēm, Gamalon paļaujas uz varbūtības programmēšanu, lai mēģinātu noteikt objekta galvenās iezīmes. Tādējādi, pat ja jūs uzzīmējat formu, kas atšķiras no lietojumprogrammas datu bāzē esošajām, ja vien tā var identificēt īpašas pazīmes - piemēram, kvadrātu ar trīsstūri augšā (māju) -, tas izdarīs pareizas prognozes.
Reklāmas video:
Abi Gamalon piedāvātie produkti rāda, ka to metodēm tuvākajā laikā var būt komerciāls pielietojums. Gamalon Structure produkts izmanto Bajesija programmatūras sintēzi, lai atpazītu jēdzienus no vienkārša teksta, un efektivitātes ziņā jau pārspēj citas programmas. Piemēram, saņēmusi televizora aprakstu no ražotāja, viņa var noteikt tā zīmolu, produkta nosaukumu, ekrāna izšķirtspēju, izmēru un citas funkcijas. Vēl viena lietotne - Gamalon Match - izplata produktus un cenas veikalu krājumos. Abos gadījumos sistēma ātri iemācās atpazīt akronīmu vai saīsinājumu variācijas.
Vigoda norāda, ka ir arī citi iespējamie izmantošanas veidi. Piemēram, ja viedtālruņi vai klēpjdatori ir aprīkoti ar Bajesijas mašīnmācību, viņiem nevajadzēs dalīties ar personīgiem datiem ar lieliem uzņēmumiem, lai noteiktu lietotāju intereses; aprēķinus var efektīvi veikt ierīces iekšpusē. Autonomās automašīnas var arī iemācīties daudz ātrāk adaptēties savā vidē, izmantojot šo mācību metodi.
Ja jūs māca mākslīgo intelektu mācīties patstāvīgi, tam nav jābūt pavadā.
ILYA KHEL