211service.com
Googles selvopplærings-AI gjør kodere til maskinlæringsmestre
Google har nettopp gjort det mye enklere å bygge ditt eget tilpassede AI-system.
En ny tjeneste, kalt Cloud AutoML , bruker flere maskinlæringstriks for automatisk å bygge og trene en dyplæringsalgoritme som kan gjenkjenne ting i bilder.
Teknologien er begrenset foreløpig, men det kan være starten på noe stort. Å bygge og optimalisere en dyp nevrale nettverksalgoritme krever vanligvis en detaljert forståelse av den underliggende matematikken og koden, samt omfattende øvelse med å justere parametrene til algoritmer for å få ting riktig. Vanskeligheten med å utvikle AI-systemer har skapt et kappløp for å rekruttere talent, og det betyr at bare store selskaper med dype lommer vanligvis har råd til å bygge sine egne skreddersydde AI-algoritmer.
Vi må skalere ut AI til flere mennesker, Fei-Fei Li , sjefforsker ved Google Cloud, sa før lanseringen i dag. Li anslår at det på det meste er noen få tusen mennesker over hele verden med ekspertisen som trengs for å bygge de aller beste dyplæringsmodellene. Men det er anslagsvis 21 millioner utviklere over hele verden i dag, sier hun. Vi ønsker å nå ut til dem alle, og gjøre AI tilgjengelig for disse utviklerne.
Cloud computing er en av nøklene til å gjøre AI mer tilgjengelig. Google, Amazon, Microsoft og andre selskaper skynder seg å legge til maskinlæringsmuligheter til skyplattformene deres. Google Cloud tilbyr allerede mange slike verktøy, men de bruker forhåndstrente modeller. Det begrenser hva de kan gjøre - for eksempel vil programmerere bare kunne bruke verktøyene til å gjenkjenne et begrenset utvalg av objekter eller scener som de allerede har blitt opplært til å gjenkjenne. En ny generasjon skybaserte maskinlæringsverktøy som kan trene seg selv, vil gjøre teknologien langt mer allsidig og enklere å bruke.
Flere selskaper har testet Google Cloud AutoML de siste månedene. Disney brukte tjenesten til å utvikle en måte å søke etter bestemte tegneseriefigurer i varene sine, selv om disse produktene ikke er merket med den karakterens navn.
Joaquin Vanschoren , en professor ved Eindhoven Institute of Technology i Nederland som spesialiserer seg på automatisert maskinlæring, sier at det fortsatt er et relativt nytt forskningstema, selv om interessen for området har vært økende i det siste. Det er imponerende at de kan slippe dette som en produksjonstjeneste så raskt, sier han.
Vanschoren sier automatisering kan legge til mye beregningskostnad, så Google må kaste mye ressurser på tjenesten. Det vil sannsynligvis bare bli verre ettersom programmerere prøver å designe AI-systemer som går utover enkel bildeklassifisering og forsøker å takle stadig bredere oppgaver.
Google-forskere har testet grensene for automatisering av AI i noen tid nå. I 2016 viste ett lag det dyp læring kan i seg selv brukes for å identifisere de beste tilpasningene til et dyplæringssystem. I fjor en annen gruppe ved selskapet brukt simulert naturlig utvalg å utvikle en optimal nettverksarkitektur. Og mer nylig, to Google-forskere brukt forsterkende læring —en teknikk inspirert av måten dyr lærer gjennom positive tilbakemeldinger — for automatisk å forbedre et dyplæringssystem.
Innsats på dette området kan til syvende og sist bidra til den store innsatsen for å bygge mer generelle og tilpasningsdyktige former for kunstig intelligens. Men før maskinene tar over helt, kan du i det minste prøve deg frem med å utvikle din helt egen AI.