Mit sehr seltenen Ausnahmen alle großer Fortschritt in der künstlichen Intelligenz Dieses Jahrhundert war das Ergebnis maschinellen Lernens. Wie der Name schon sagt (und im Gegensatz zu der symbolischen KI, die einen Großteil der ersten Hälfte des Jahres charakterisierte). Beim maschinellen Lernen handelt es sich um intelligente Systeme, die nicht nur Regeln befolgen, sondern tatsächlich, nun ja, lernen.
Aber es gibt ein Problem. Anders als selbst einem kleinen menschlichen Kind muss maschinelles Lernen eine große Anzahl von Trainingsbeispielen gezeigt werden, bevor es diese erfolgreich erkennen kann. Es gibt beispielsweise nicht die Möglichkeit, ein Objekt wie einen „Doofer“ zu sehen (Sie wissen nicht, was es ist, aber wir wetten darauf). Ich würde mich daran erinnern, wenn Sie einen sehen würden) und danach in der Lage sein, jeden weiteren Doofer zu erkennen, den Sie sehen.
Empfohlene Videos
Wenn K.I. Um sein Potenzial voll auszuschöpfen, ist es wichtig, dass es auf diese Weise lernen kann. Während das Problem noch gelöst werden muss, a
Neue Forschungsarbeit der University of Waterloo in Ontario beschreibt a potenzieller Durchbruchsprozess Dies wird als LO-Schuss-Lernen (oder weniger als ein Schuss) bezeichnet. Dies könnte es Maschinen ermöglichen, ähnlich wie Menschen viel schneller zu lernen. Das wäre aus einer Vielzahl von Gründen nützlich, insbesondere aber für Szenarien, in denen keine großen Datenmengen für das Training vorhanden sind.Das Versprechen, in weniger als einem Schuss zu lernen
„Unser LO-Shot-Lernpapier untersucht theoretisch die kleinstmögliche Anzahl von Stichproben, die zum Trainieren von Modellen für maschinelles Lernen erforderlich sind.“ Ilia Sucholutsky, ein Ph. D. Student, der an dem Projekt arbeitet, sagte Digital Trends. „Wir haben herausgefunden, dass Modelle tatsächlich lernen können, mehr Klassen zu erkennen, als ihnen Trainingsbeispiele gegeben werden. Dieses Ergebnis ist uns zunächst empirisch aufgefallen, als wir an unserer vorherigen Arbeit über gearbeitet haben Destillation von Soft-Label-Datensätzen, eine Methode zum Generieren winziger synthetischer Datensätze, die Modelle auf die gleiche Leistung trainieren, als ob sie auf dem Originaldatensatz trainiert würden. Wir fanden heraus, dass wir neuronale Netze trainieren konnten, alle zehn Ziffern – null bis neun – zu erkennen, nachdem wir sie nur an fünf synthetischen Beispielen trainiert hatten, also weniger als einer pro Ziffer. … Das hat uns wirklich überrascht, und das hat uns dazu veranlasst, an diesem LO-Shot-Lernpapier zu arbeiten, um zu versuchen, theoretisch zu verstehen, was vor sich ging.“
Sucholutsky betonte, dass dies noch ein Anfangsstadium sei. Das neue Papier zeigt, dass LO-Shot-Lernen möglich ist. Die Forscher müssen nun die Algorithmen entwickeln, die für das LO-Shot-Lernen erforderlich sind. In der Zwischenzeit habe das Team Interesse von Forschern in so unterschiedlichen Bereichen erhalten, sagte er Vulkanologie, medizinische Bildgebung und Cybersicherheit – alle könnten von dieser Art von KI profitieren. Lernen.
„Ich hoffe, dass wir bald mit der Einführung dieser neuen Tools beginnen können, aber ich ermutige andere.“ Forscher des maschinellen Lernens sollten ebenfalls damit beginnen, diese Richtung zu erkunden, um diesen Prozess zu beschleunigen“, so Sucholutsky sagte.
Empfehlungen der Redaktion
- Sicherheitsroboter könnten zu einer Schule in Ihrer Nähe kommen
- Amazon setzt KI ein, um Produktbewertungen zusammenzufassen
- Amazon plant „einmalige“ Änderungen für die Suche, wie aus Stellenanzeigen hervorgeht
- Nvidias neueste A.I. Die Ergebnisse beweisen, dass ARM bereit für das Rechenzentrum ist
- Nvidias neue Stimme A.I. klingt wie eine echte Person
Werten Sie Ihren Lebensstil aufDigital Trends hilft Lesern mit den neuesten Nachrichten, unterhaltsamen Produktrezensionen, aufschlussreichen Leitartikeln und einzigartigen Einblicken, den Überblick über die schnelllebige Welt der Technik zu behalten.
