211service.com
Hvorfor Googles administrerende direktør er begeistret for automatisering av kunstig intelligens
Sundar Pichai på selskapets årlige utviklerkonferanse i Mountain View, California.
Maskinlæringseksperter er mangelvare ettersom selskaper i mange bransjer skynder seg å dra nytte av de siste fremskritt i kraften til kunstig intelligens. Googles administrerende direktør sier at en løsning på kompetansemangelen er å la maskinlæringsprogramvare ta over noe av arbeidet med å lage maskinlæringsprogramvare.
På Googles årlige utviklerkonferanse i dag introduserte Pichai et prosjekt kalt AutoML som kommer fra selskapets Google Brain-forskningsgruppe for kunstig intelligens. Forskere der har vist at læringsalgoritmene deres kan automatisere en av de vanskeligste delene av jobben med å designe maskinlæringsprogramvare for å ta på seg en bestemt oppgave. I noen tilfeller kom deres automatiserte system opp med design som konkurrerer med eller slår det beste arbeidet til menneskelige maskinlæringseksperter.
– Dette er en veldig spennende utvikling, forteller Pichai MIT Technology Review , i en e-post. Det kan akselerere hele feltet og hjelpe oss å takle noen av de mest utfordrende problemene vi står overfor i dag.
Pichai håper AutoML-prosjektet kan utvide antallet utviklere som kan benytte seg av maskinlæring ved å redusere ekspertisen som trengs. Dette ville passe inn med Googles strategi om å posisjonere sine cloud computing-tjenester som det beste stedet å bygge og være vert for med maskinlæring. Selskapet prøver å lokke nye kunder i bedriftens cloud computing-markedet, hvor det ligger etter ledende Amazon og andreplass Microsoft (se Google avslører kraftig ny AI-brikke og superdatamaskin).
Relatert historie
Relatert historieAutoML er rettet mot å gjøre det enklere å bruke en teknikk som kalles dyp læring, som Google og andre bruker for å drive tale- og bildegjenkjenning, oversettelse og robotikk (se 10 Breakthrough Technologies 2013: Deep Learning ).
Dyplæring lærer programvare å være smart ved å sende data gjennom lag med matematikk løst inspirert av biologi og kjent som kunstige nevrale nettverk. Å velge riktig arkitektur for et nevralt nettverks matematiske nett er en avgjørende del av å lage noe som fungerer. Men det er ikke lett å finne ut. Vi gjør det etter intuisjon, sier Quoc Le, en maskinlæringsforsker ved Google som jobber med AutoML-prosjektet.
I forrige måned presenterte Le og medforsker Barret Zoph resultater fra eksperimenter der de ga et maskinlæringssystem i oppgave å finne ut den beste arkitekturen å bruke for å få programvare til å lære å løse språk- og bildegjenkjenningsoppgaver.
På bildeoppgaven konkurrerte systemet med de beste arkitekturene designet av menneskelige eksperter. På språkoppgaven slo det dem.
Kanskje mer signifikant, det kom opp med arkitekturer av en type som forskere ikke tidligere anså egnet til disse oppgavene. På en måte fant den noe vi ikke visste om, sier Le. Det er slående.
Forestillingen om programvare som lærer å bli bedre til å lære har eksistert en stund. Men som mange ideer innen kunstig intelligens, tillater kraften til dyp læring nye fremskritt. Forskere ved Googles andre AI-forskningsavdeling, DeepMind, i akademia, og den Elon Musk-støttede ideelle organisasjonen OpenAI utforsker relaterte konsepter (se AI Software Learns to Make AI Software).
På spørsmål om de er på vei til å sette seg selv ut av en jobb, ler Le og Zoph imidlertid. Akkurat nå er teknikken for dyr til å bli mye brukt. Eksperimentene til paret bundet sammen 800 kraftige grafikkprosessorer i flere uker – og samlet opp den typen strømregning få selskaper hadde råd til for spekulativ forskning.
Likevel har Google nå et større team som jobber med AutoML, inkludert hvordan man kan gjøre det mindre ressurskrevende. Le regner med at det kan bidra til å gjøre video- eller talegjenkjenning mer nøyaktig, eller til og med føre til fremgang i det vanskeligere problemet med å få programvare til å lære uten eksplisitt veiledning fra mennesker (se The Missing Link of Artificial Intelligence).