211service.com
Denne AI-algoritmen lærer enkle oppgaver like raskt som vi gjør
Med inspirasjon fra måten mennesker ser ut til å lære, har forskere laget AI-programvare som er i stand til å fange opp ny kunnskap på en langt mer effektiv og sofistikert måte.
Fig. 1. Folk kan lære rike konsepter fra begrensede data. (A og B) Et enkelt eksempel på et nytt konsept (røde bokser) kan være nok informasjon til å støtte (i) klassifisering av nye eksempler, (ii) generering av nye eksempler, (iii) analysere et objekt i deler og relasjoner ( deler segmentert etter farge), og (iv) generering av nye konsepter fra relaterte konsepter.
Det nye AI-programmet kan gjenkjenne en håndskrevet karakter omtrent like nøyaktig som et menneske kan, etter å ha sett bare et enkelt eksempel. De beste eksisterende maskinlæringsalgoritmene, som bruker en teknikk kalt dyp læring, trenger å se mange tusen eksempler på en håndskrevet karakter for å lære forskjellen mellom en A og en Å.
Programvaren er utviklet av Brendensjøen , en forsker ved New York University, sammen med Ruslan Salakhutdinov , en assisterende professor i informatikk ved University of Toronto, og Joshua Tenenbaum , professor ved Institutt for hjerne- og kognitivvitenskap ved MIT. Detaljer om programmet, og ideene bak det, publiseres i dag i tidsskriftet Vitenskap.
Datamaskiner har blitt mye smartere i løpet av de siste årene, og lærer å gjenkjenne ansikter, forstå tale og til og med kjøre biler trygt, blant mange andre ting. Og det meste av fremgangen har blitt gjort ved å bruke store eller dype nevrale nettverk. Men det er en avgjørende ulempe med disse systemene: de krever massevis av data for å lære å gjøre selv den enkleste oppgaven.
Denne begrensningen skyldes i stor grad at algoritmene ikke behandler informasjon slik vi gjør. Selv om dyp læring er modellert på et virtuelt nettverk av nevroner – og tilnærmingen har gitt svært imponerende resultater i perseptuelle oppgaver – er det en veldig grov imitasjon av måten hjernen fungerer på. En dyplæringsalgoritme assosierer pikslene i et bilde med et bestemt tegn. Hjernen kan behandle noen visuelle stimuli på lignende måte, men mennesker bruker også høyere former for kognitiv funksjon for å tolke innholdet i et bilde.
Forskerne brukte en teknikk de kaller Bayesian program learning framework, eller BPL. I hovedsak genererer programvaren et unikt program for hver karakter ved å bruke en imaginær pennestrøk. En probabilistisk programmeringsteknikk brukes deretter for å matche et program til en bestemt karakter, eller for å generere et nytt program for en ukjent. Programvaren etterligner ikke måten barn tilegner seg evnen til å lese og skrive, men snarere måten voksne, som allerede vet hvordan, lærer å gjenkjenne og gjenskape nye karakterer.
Det viktigste med probabilistisk programmering – og ganske forskjellig fra måten de fleste dyplæringstingene fungerer på – er at det starter med et program som beskriver årsaksprosessene i verden, sier Tenenbaum. Det vi prøver å lære er ikke en signatur av funksjoner, eller et mønster av funksjoner. Vi prøver å lære et program som genererer disse karakterene.
Tenenbaum og kolleger testet tilnærmingen ved å la både mennesker og programvaren tegne nye karakterer etter å ha sett ett håndskrevet eksempel, og deretter bedt en gruppe mennesker om å bedømme om en karakter er skrevet av en person eller en maskin. De fant at færre enn 25 prosent av dommerne var i stand til å se forskjellen.
Teamet sier at teknikken kan utvides til mer praktiske bruksområder. For eksempel kan det gjøre det mulig for datamaskiner å raskt lære å gjenkjenne og bruke nye ord i talespråk. Eller det kan gjøre det mulig for en datamaskin å gjenkjenne nye forekomster av et bestemt objekt. Mer generelt peker tilnærmingen mot en viktig ny retning innen kunstig intelligens, ettersom forskere henter inspirasjon fra forskning på menneskelig kognisjon.
Geoffrey Hinton , en professor i psykologi ved University of Toronto som spilte en nøkkelrolle i utviklingen av dyp læring, sier arbeidet er et viktig skritt for feltet. Det er et vakkert papir, og et veldig imponerende eksempel på å lære av ikke mange eksempler, sier han.
Hinton, som også var PhD-rådgiver for en av artikkelforfatterne, Salakhutdinov, sier AI-forskere kan lære mange nyttige ting fra både nevrovitenskap og kognitiv vitenskap. Han foreslår også at tilnærminger som den som er utviklet for håndskriftgjenkjenning, faktisk kan være kompatible med dyp læring. Jeg tror man kan ha det beste fra begge verdener, sier han.
Gary Marcus , en kognitiv vitenskapsmann ved New York University og medstifter av et selskap kalt Geometric Intelligence, som også utvikler maskinlæringstilnærminger inspirert av menneskelig atferd, sier at han ikke er helt enig i at menneskesinnet fungerer på den måten som er beskrevet i Vitenskap papir. Men han mener tilnærmingen viser et viktig mål for AI, fordi det i mange situasjoner ikke er store mengder data for en maskin å lære av.
Problemet med det dominerende paradigmet er at det er veldig, veldig datahungrig, sier Marcus. Dette er et bevis på at du kan lære raskere. Og jeg tror det er noe folk kommer til å tenke mye på.
Marcus legger til at språk kan være morderappen for slike systemer. Mange dyplærende forskere jobber allerede med denne utfordringen (se Teaching Machines to Understand Us ), men Marcus mener maskiner vil trenge å lære på mer effektive og fleksible måter for å knekke den. Det virkelige vendepunktet i AI kommer når maskiner faktisk kan forstå språk, sier han. Ikke bare gjør middelmådige oversettelser, men forstår virkelig hva du mener.