211service.com
AI-programvare lærer å lage AI-programvare
Fremgang innen kunstig intelligens får noen mennesker til å bekymre seg for at programvare vil ta jobber som å kjøre lastebiler bort fra mennesker. Nå finner ledende forskere ut at de kan lage programvare som kan lære å gjøre en av de vanskeligste delene av deres egen jobb – oppgaven med å designe maskinlæringsprogramvare.
I ett eksperiment fikk forskere ved Google Brain-forskningsgruppen for kunstig intelligens programvaredesigne et maskinlæringssystem for å ta en test som brukes til å måle programvare som behandler språk. Hva den kom frem til overgått tidligere publiserte resultater fra programvare utviklet av mennesker.
De siste månedene har flere andre grupper også rapportert fremgang med å få læringsprogramvare til å lage læringsprogramvare. De inkluderer forskere ved nonprofit forskningsinstituttet OpenAI (som ble medstiftet av Elon Musk), MED , University of California, Berkeley , og Googles andre forskningsgruppe for kunstig intelligens, DeepMind .
Hvis selvstartende AI-teknikker blir praktiske, kan de øke tempoet der maskinlæringsprogramvare implementeres i hele økonomien. Bedrifter må for tiden betale en premie for maskinlæringseksperter, som er mangelvare.
Jeff Dean, som leder forskningsgruppen Google Brain, tenkte forrige uke på at noe av arbeidet til slike arbeidere kunne erstattes av programvare. Han beskrev det han kalte automatisert maskinlæring som en av de mest lovende forskningsveiene teamet hans utforsket.
For øyeblikket er måten du løser problemer på at du har ekspertise og data og beregninger, sa Dean, ved AI Frontiers-konferanse i Santa Clara, California. Kan vi eliminere behovet for mye maskinlæringskompetanse?
En sett med eksperimenter fra Googles DeepMind-gruppe antyder at det forskerne kaller å lære å lære kan også bidra til å redusere problemet med maskinlæringsprogramvare som trenger å konsumere enorme mengder data på en spesifikk oppgave for å utføre den godt.
Forskerne utfordret programvaren deres til å lage læringssystemer for samlinger av flere forskjellige, men relaterte problemer, som å navigere i labyrinter. Den kom opp med design som viste en evne til å generalisere, og plukke opp nye oppgaver med mindre tilleggstrening enn det som ville vært vanlig.
Ideen om å lage programvare som lærer å lære har eksistert en stund, men tidligere eksperimenter ga ikke resultater som konkurrerte med hva mennesker kunne finne på. Det er spennende, sier Yoshua Bengio , en professor ved University of Montreal, som tidligere utforsket ideen på 1990-tallet.
Bengio sier at den mer potente datakraften som er tilgjengelig nå, og bruken av en teknikk kalt dyp læring, som har utløst nylig begeistring rundt AI, er det som får tilnærmingen til å fungere. Men han bemerker at det så langt krever så ekstrem datakraft at det ennå ikke er praktisk å tenke på å lette belastningen, eller delvis erstatte maskinlæringseksperter.
Google Brains forskere beskriver bruk av 800 kraftige grafikkprosessorer for å drive programvare som kom opp med design for bildegjenkjenningssystemer som konkurrerte med det beste designet av mennesker.
Otkrist Gupta, forsker ved MIT Media Lab, tror det vil endre seg. Han og MIT-kolleger planlegger å åpne kildekode for programvaren bak deres egne eksperimenter , der læringsprogramvare utviklet dyplæringssystemer som matchet menneskeskapte på standardtester for objektgjenkjenning.
Gupta ble inspirert til å jobbe med prosjektet av frustrerende timer brukt på å designe og teste maskinlæringsmodeller. Han tror bedrifter og forskere er godt motivert for å finne måter å gjøre automatisert maskinlæring praktisk på.
Å lette byrden på dataforskeren er en stor gevinst, sier han. Det kan gjøre deg mer produktiv, gjøre deg til bedre modeller og gjøre deg fri til å utforske ideer på høyere nivå.