Ny stil af A.I. Lærer ting på en helt anden måde

Med meget sjældne undtagelser, hver store fremskridt inden for kunstig intelligens dette århundrede har været resultatet af maskinlæring. Som navnet antyder (og i modsætning til den symbolske A.I., der karakteriserede meget af den første halvdel af feltets historie), involverer maskinlæring smarte systemer, der ikke bare følger regler, men faktisk, ja, lære.

Men der er et problem. I modsætning til selv et lille menneskebarn, skal maskinlæring vises et stort antal træningseksempler, før det med succes kan genkende dem. Der er ikke sådan noget som f.eks. at se en genstand som en "dofer" (du ved ikke hvad det er, men vi vædde på dig ville huske det, hvis du så en) og derefter være i stand til at genkende hver efterfølgende skyder, du ser.

Anbefalede videoer

Hvis A.I. kommer til at leve op til sit potentiale, er det vigtigt, at det kan lære på denne måde. Selvom problemet endnu ikke er løst, a nyt forskningspapir fra University of Waterloo i Ontario beskriver en potentiel gennembrudsproces kaldet LO-skud (eller mindre end et skud) læring. Dette kunne gøre det muligt for maskiner at lære langt hurtigere på samme måde som mennesker. Det ville være nyttigt af en lang række årsager, men især scenarier, hvor store mængder data ikke eksisterer til træning.

Løftet om mindre end ét skud læring

"Vores LO-shot læringspapir udforsker teoretisk det mindst mulige antal prøver, der er nødvendige for at træne maskinlæringsmodeller," Ilia Sucholutsky, en Ph.D. studerende, der arbejder på projektet, fortalte Digital Trends. "Vi fandt ud af, at modeller faktisk kan lære at genkende flere klasser end antallet af træningseksempler, de får. Vi bemærkede først dette resultat empirisk, da vi arbejdede på vores tidligere papir om soft-label datasæt destillation, en metode til at generere bittesmå syntetiske datasæt, der træner modeller til den samme ydeevne, som hvis de var trænet på det originale datasæt. Vi fandt ud af, at vi kunne træne neurale net til at genkende alle 10 cifre - nul til ni - efter at være blevet trænet på kun fem syntetiske eksempler, mindre end et pr. ciffer. … Vi var virkelig overraskede over dette, og det var det, der førte til, at vi arbejdede på dette LO-shot læringspapir for at prøve og teoretisk forstå, hvad der foregik.”

Sucholutsky understregede, at dette stadig er de tidlige stadier. Det nye papir viser, at LO-shot læring er muligt. Forskerne skal nu udvikle de algoritmer, der skal til for at udføre LO-shot læring. I mellemtiden sagde han, at holdet har modtaget interesse fra forskere inden for så forskellige områder som vulkanologi, medicinsk billeddannelse og cybersikkerhed - som alle kunne drage fordel af denne form for A.I. læring.

"Jeg håber, at vi snart kan begynde at udrulle disse nye værktøjer, men jeg opfordrer andre maskinlæringsforskere til også at begynde at udforske denne retning for at fremskynde processen,” Sucholutsky sagde.

Redaktørens anbefalinger

  • Sikkerhedsrobotter kommer muligvis til en skole i nærheden af ​​dig
  • Amazon implementerer AI for at opsummere produktanmeldelser
  • Amazon planlægger "once-in-a-generation"-ændringer for Søgning, afslører jobannoncen
  • Nvidias seneste A.I. resultater viser, at ARM er klar til datacentret
  • Nvidias nye stemme A.I. lyder bare som en rigtig person

Opgrader din livsstilDigital Trends hjælper læserne med at holde styr på den hurtige teknologiske verden med alle de seneste nyheder, sjove produktanmeldelser, indsigtsfulde redaktionelle artikler og enestående smugkig.