С много редки изключения всеки голям напредък в областта на изкуствения интелект този век е резултат от машинното обучение. Както подсказва името му (и противоположно на символичния ИИ, който характеризира голяма част от първата половина на историята на областта), машинното обучение включва интелигентни системи, които не просто следват правила, но всъщност, добре, уча.
Но има проблем. За разлика дори от малко човешко дете, машинното обучение трябва да получи голям брой примери за обучение, преди да може успешно да ги разпознае. Няма такова нещо като, да речем, да видите обект като „дуфер“ (не знаете какво е, но се обзалагаме, че ще го запомните, ако видите такъв) и след това да можете да разпознаете всеки следващ дуфер, който видите.
Препоръчани видеоклипове
Ако A.I. ще изпълни потенциала си, важно е да може да се учи по този начин. Докато проблемът все още не е решен, a нова изследователска статия от Университета на Ватерло в Онтарио описва a потенциален процес на пробив наречено LO-shot (или по-малко от един изстрел) обучение. Това може да позволи на машините да учат много по-бързо като хората. Това би било полезно поради широк набор от причини, но особено сценарии, при които не съществуват големи количества данни за обучение.
Обещанието за обучение с по-малко от един изстрел
„Нашата учебна хартия за LO-shot теоретично изследва възможно най-малкия брой проби, които са необходими за обучение на модели за машинно обучение,“ Илия Сухолуцки, докторска степен студент, работещ по проекта, каза пред Digital Trends. „Открихме, че моделите всъщност могат да се научат да разпознават повече класове от броя на примерите за обучение, които са им дадени. Първоначално забелязахме този резултат емпирично, когато работихме върху предишната ни статия дестилация на набор от данни с мек етикет, метод за генериране на малки синтетични набори от данни, които обучават модели за същата производителност, както ако бяха обучени на оригиналния набор от данни. Открихме, че можем да обучим невронните мрежи да разпознават всичките 10 цифри – от нула до девет – след като сме били обучени само на пет синтетични примера, по-малко от една на цифра. … Бяхме наистина изненадани от това и това ни накара да работим върху този учебен документ за LO-shot, за да се опитаме да разберем теоретично какво се случва.“
Сухолуцки подчерта, че това е все още ранен етап. Новата статия показва, че обучението по LO-shot е възможно. Сега изследователите трябва да разработят алгоритмите, необходими за извършване на LO-shot обучение. Междувременно той каза, че екипът е получил интерес от изследователи в различни области като вулканология, медицински изображения и киберсигурност – всички те биха могли да се възползват от този вид ИИ. изучаване на.
„Надявам се, че ще можем да започнем да пускаме тези нови инструменти наистина скоро, но насърчавам и други изследователите на машинното обучение също да започнат да проучват тази посока, за да ускорят този процес“, Сухолуцки казах.
Препоръки на редакторите
- Роботите за сигурност може да идват в училище близо до вас
- Amazon внедрява AI, за да обобщава отзивите за продукта
- Amazon планира промени „веднъж в поколение“ за Търсене, разкрива реклама за работа
- Най-новият AI на Nvidia резултатите доказват, че ARM е готов за центъра за данни
- Новият глас на Nvidia A.I. звучи точно като истински човек
Надградете начина си на животDigital Trends помага на читателите да следят забързания свят на технологиите с всички най-нови новини, забавни ревюта на продукти, проницателни редакционни статии и единствени по рода си кратки погледи.
