211service.com
AI-programvare sjonglerer med sannsynligheter for å lære av mindre data
En app utviklet av Gamalon gjenkjenner objekter etter å ha sett noen få eksempler. Et læringsprogram gjenkjenner enklere begreper som linjer og rektangler.
Maskinlæring blir ekstremt kraftig, men det krever ekstreme mengder data.
Du kan for eksempel trene en dyp-læringsalgoritme for å gjenkjenne en katt med en katteelskers ekspertisenivå, men du må mate den med titalls eller hundretusenvis av bilder av kattedyr, og fange en enorm variasjon i størrelse, form, tekstur, belysning og orientering. Det ville vært mye mer effektivt hvis, litt som en person, en algoritme kunne utvikle en idé om hva som gjør en katt til en katt fra færre eksempler.
En Boston-basert oppstart ringte Gamalon har utviklet teknologi som lar datamaskiner gjøre dette i enkelte situasjoner, og lanserer to produkter tirsdag basert på tilnærmingen.
Hvis den underliggende teknikken kan brukes på mange andre oppgaver, kan det ha stor innvirkning. Evnen til å lære av mindre data kan la roboter utforske og forstå nye miljøer svært raskt, eller tillate datamaskiner å lære om preferansene dine uten å dele dataene dine.
Gamalon bruker en teknikk som den kaller Bayesiansk programsyntese for å bygge algoritmer som er i stand til å lære av færre eksempler. Bayesiansk sannsynlighet, oppkalt etter 1700-tallets matematiker Thomas Bayes, gir et matematisk rammeverk for å avgrense spådommer om verden basert på erfaring. Gamalons system bruker probabilistisk programmering - eller kode som omhandler sannsynligheter i stedet for spesifikke variabler - for å bygge en prediktiv modell som forklarer et bestemt datasett. Fra bare noen få eksempler kan et sannsynlighetsprogram for eksempel fastslå at det er svært sannsynlig at katter har ører, værhår og haler. Etter hvert som ytterligere eksempler er gitt, blir koden bak modellen skrevet om, og sannsynlighetene justert. Dette gir en effektiv måte å lære den fremtredende kunnskapen fra dataene.
Probabilistiske programmeringsteknikker har eksistert en stund. I 2015, for eksempel, brukte et team fra MIT og NYU probabilistiske metoder for å få datamaskiner til å lære å gjenkjenne skrevne tegn og objekter etter å ha sett bare ett eksempel (se Denne AI-algoritmen lærer enkle oppgaver så raskt som vi gjør ). Men tilnærmingen har mest vært en akademisk kuriositet.
Det er vanskelige beregningsmessige utfordringer å overkomme, fordi programmet må vurdere mange forskjellige mulige forklaringer, sier Brendensjøen , en stipendiat ved NYU som ledet 2015-arbeidet.
Likevel, i teorien, sier Lake, har tilnærmingen betydelig potensial fordi den kan automatisere aspekter ved å utvikle en maskinlæringsmodell. Probabilistisk programmering vil gjøre maskinlæring mye enklere for forskere og praktikere, sier Lake. Den har potensial til å ta seg av de vanskelige [programmerings] delene automatisk.
Det er absolutt betydelige insentiver for å utvikle enklere å bruke og mindre datahungrende maskinlæringsmetoder. Maskinlæring innebærer for tiden å anskaffe et stort rådatasett, og ofte deretter merke det manuelt. Læringen gjøres deretter inne i store datasentre, ved å bruke mange dataprosessorer som kjører bort parallelt i timer eller dager. Det er bare noen få virkelig store selskaper som virkelig har råd til å gjøre dette, sier Ben Vigoda, medgründer og administrerende direktør i Gamalon.
I teorien kan Gamalons tilnærming gjøre det mye lettere for noen å bygge og foredle en maskinlæringsmodell også. Å perfeksjonere en dyplæringsalgoritme krever mye matematisk og maskinlæringskompetanse. Det er en svart kunst å sette opp disse systemene, sier Vigoda. Med Gamalons tilnærming kan en programmerer trene en modell ved å mate inn viktige eksempler.
Vigoda viste MIT Technology Review en demo med en tegneapp som bruker teknikken. Den ligner på den som ble utgitt i fjor av Google, som bruker dyp læring for å gjenkjenne objektet en person prøver å skissere (se Vil du forstå AI? Prøv Sketching a Duck for a Neural Network ). Men mens Googles app trenger å se en skisse som samsvarer med de den har sett tidligere, bruker Gamalons versjon et probabilistisk program for å gjenkjenne hovedtrekkene til et objekt. For eksempel forstår ett program at en trekant som sitter på toppen av en firkant mest sannsynlig er et hus. Dette betyr at selv om skissen din er veldig forskjellig fra det den har sett før, forutsatt at den har disse funksjonene, vil den gjette riktig.
Teknikken kan også ha betydelige kommersielle anvendelser på kort sikt. Selskapets første produkter bruker Bayesiansk programsyntese for å gjenkjenne konsepter i tekst.
Ett produkt, kalt Gamalon Structure, kan trekke ut konsepter fra råtekst mer effektivt enn det som normalt er mulig. For eksempel kan det ta en produsents beskrivelse av en TV og bestemme hvilket produkt som beskrives, merket, produktnavnet, oppløsningen, størrelsen og andre funksjoner. Et annet produkt, Gamalon Match, brukes til å kategorisere produktene og prisen i en butikks varelager. I hvert tilfelle, selv når forskjellige akronymer eller forkortelser brukes for et produkt eller en funksjon, kan systemet raskt trenes til å gjenkjenne dem.
Vigoda mener evnen til å lære vil ha andre praktiske fordeler. En datamaskin kan lære om en brukers interesser uten å kreve en upraktisk mengde data eller timer med opplæring. Personlige data trenger kanskje ikke deles med store selskaper heller, hvis maskinlæring kan gjøres effektivt på en brukers smarttelefon eller bærbar PC. Og en robot eller en selvkjørende bil kan lære om en ny hindring uten å måtte se hundretusenvis av eksempler.