Až na velmi vzácné výjimky každý velký pokrok v umělé inteligenci toto století bylo výsledkem strojového učení. Jak jeho název napovídá (a v rozporu se symbolickým A.I., které charakterizovalo většinu první poloviny historie oboru), strojové učení zahrnuje chytré systémy, které se nejen řídí pravidly, ale ve skutečnosti, no, Učit se.
Ale je tu problém. Na rozdíl od malého lidského dítěte musí strojové učení předvést velké množství příkladů školení, než je dokáže úspěšně rozpoznat. Neexistuje žádná taková věc, jako je, řekněme, vidět předmět jako „doofer“ (nevíte, co to je, ale vsadíme se, že pamatoval by si to, kdybyste nějakého viděli) a poté budete schopni rozpoznat každého dalšího doofera, kterého uvidíte.
Doporučená videa
Pokud A.I. naplní svůj potenciál, je důležité, aby se mohl učit tímto způsobem. Zatímco problém ještě není vyřešen, a nový výzkumný dokument z University of Waterloo v Ontariu popisuje a potenciální průlomový proces tzv. učení LO-shot (neboli méně než jeden výstřel). To by mohlo umožnit strojům učit se mnohem rychleji jako lidé. To by bylo užitečné z celé řady důvodů, ale zejména pro scénáře, ve kterých neexistuje velké množství dat pro školení.
Příslib učení méně než jednou ranou
„Náš výukový dokument LO-shot teoreticky zkoumá nejmenší možný počet vzorků, které jsou potřeba k trénování modelů strojového učení,“ Ilia Sucholutsky, Ph. D. student pracující na projektu, řekl Digital Trends. „Zjistili jsme, že modely se ve skutečnosti mohou naučit rozpoznávat více tříd, než je počet tréninkových příkladů, které dostávají. Tento výsledek jsme zpočátku zaznamenali empiricky, když jsme pracovali na našem předchozím článku destilace soft-label datasetu, metoda pro generování malých syntetických datových sad, které trénují modely na stejný výkon, jako kdyby byly trénovány na původní datové sadě. Zjistili jsme, že můžeme trénovat neuronové sítě, aby rozpoznaly všech 10 číslic – nula až devět – poté, co jsme byli trénováni na pouhých pěti syntetických příkladech, méně než jednu na číslici. … Byli jsme tím opravdu překvapeni a to nás vedlo k tomu, že jsme pracovali na tomto výukovém papíru LO-shot, abychom se pokusili teoreticky pochopit, co se děje.“
Sucholutsky zdůraznil, že je to stále raná fáze. Nový dokument ukazuje, že učení LO-shot je možné. Výzkumníci nyní musí vyvinout algoritmy potřebné k provádění LO-shot učení. Mezitím řekl, že tým zaznamenal zájem od výzkumníků v tak různorodých oblastech jako vulkanologie, lékařské zobrazování a kybernetická bezpečnost – ti všichni by mohli těžit z tohoto druhu A.I. učení se.
„Doufám, že tyto nové nástroje budeme moci začít zavádět opravdu brzy, ale povzbuzuji ostatní výzkumníci strojového učení, aby také začali zkoumat tento směr, aby urychlili tento proces,“ Sucholutsky řekl.
Doporučení redakce
- Do školy poblíž vás mohou přicházet bezpečnostní roboti
- Amazon nasazuje AI pro shrnutí recenzí produktů
- Amazon plánuje změny „jednou za generaci“ pro vyhledávání, odhaluje pracovní inzerát
- Nejnovější A.I od Nvidie. výsledky dokazují, že ARM je připraven na datové centrum
- Nový hlas Nvidie A.I. zní jako skutečný člověk
Upgradujte svůj životní stylDigitální trendy pomáhají čtenářům mít přehled o rychle se měnícím světě technologií se všemi nejnovějšími zprávami, zábavnými recenzemi produktů, zasvěcenými úvodníky a jedinečnými náhledy.
