211service.com
Et lite team med studenter AI-kodere slår Googles maskinlæringskode
En bildekollasje med rutenett av tusenvis av fotografier Andrej Karpathy
Studenter fra Fast.ai , en liten organisasjon som kjører gratis maskinlæringskurs på nettet, har nettopp laget en AI-algoritme som overgår kode fra Googles forskere, ifølge en viktig referanse.
Fast.ai sin suksess er viktig fordi det noen ganger virker som om bare de med enorme ressurser kan gjøre avansert AI-forskning.
Fast.ai består av deltidsstudenter som ønsker å prøve seg på maskinlæring – og kanskje gå over til en karriere innen datavitenskap. Den leier tilgang til datamaskiner i Amazons sky.
Men Fast.ai sitt team bygde en algoritme som slår Googles kode, målt ved hjelp av en benchmark kalt DAWNBench , fra forskere ved Stanford. Denne referansen bruker en vanlig bildeklassifiseringsoppgave for å spore hastigheten til en dyplæringsalgoritme per dollar med datakraft.
Googles forskere toppet de tidligere rangeringene, i en kategori for trening på flere maskiner, ved å bruke en spesialbygd samling sine egne brikker designet spesielt for maskinlæring. Fast.ai-teamet var i stand til å produsere noe enda raskere, på omtrent tilsvarende maskinvare.
Toppmoderne resultater er ikke det eksklusive domenet til store selskaper, sier Jeremy Howard, en av Fast.ai sine grunnleggere og en fremtredende AI-gründer. Howard og hans medgründer, Rachel Thomas, opprettet Fast.ai for å gjøre AI mer tilgjengelig og mindre eksklusivt.
Howards team var i stand til å konkurrere med slike som Google ved å gjøre mange enkle ting, som er beskrevet i en blogg innlegg . Disse inkluderer å sørge for at bildene som ble matet til treningsalgoritmen ble beskåret riktig: Dette er de åpenbare, dumme tingene som mange forskere ikke engang ville tenke på å gjøre, sier Howard.
Koden som trengs for å kjøre læringsalgoritmen på flere maskiner ble utviklet av en samarbeidspartner ved Pentagons nye Forsvarets innovasjonsenhet , opprettet nylig for å hjelpe militæret med å jobbe med AI og maskinlæring.
Matei Zaharia , professor ved Stanford University og en av skaperne av DAWNBench, sier Fast.ai-arbeidet er imponerende, men bemerker at for mange AI-oppgaver er store mengder data og betydelige dataressurser fortsatt nøkkelen.
Fast.ai-algoritmen ble trent på ImageNet-databasen på 18 minutter ved å bruke 16 Amazon Web Service-forekomster, til en total beregningskostnad på rundt $40. Howard hevder dette er omtrent 40 prosent bedre enn Googles innsats, selv om han innrømmer sammenligning er vanskelig fordi maskinvaren er annerledes.
Jack Clark , direktør for kommunikasjon og policy ved OpenAI, en ideell organisasjon, sier Fast.ai har produsert verdifullt arbeid på andre områder som språkforståelse. Ting som dette kommer alle til gode fordi de øker den grunnleggende kjennskapen til folk med AI-teknologi, sier Clark.