Με πολύ σπάνιες εξαιρέσεις, κάθε σημαντική πρόοδος στην τεχνητή νοημοσύνη αυτός ο αιώνας ήταν το αποτέλεσμα της μηχανικής μάθησης. Όπως υποδηλώνει το όνομά του (και σε αντίθεση με το συμβολικό A.I. που χαρακτήριζε μεγάλο μέρος του πρώτου μισού του ιστορία του πεδίου), η μηχανική μάθηση περιλαμβάνει έξυπνα συστήματα που δεν ακολουθούν απλώς κανόνες, αλλά στην πραγματικότητα, μαθαίνω.
Αλλά υπάρχει ένα πρόβλημα. Σε αντίθεση ακόμη και με ένα μικρό ανθρώπινο παιδί, η μηχανική μάθηση πρέπει να παρουσιάζεται σε μεγάλο αριθμό παραδειγμάτων εκπαίδευσης για να μπορέσει να τα αναγνωρίσει με επιτυχία. Δεν υπάρχει τέτοιο πράγμα όπως, ας πούμε, να βλέπεις ένα αντικείμενο σαν "doofer" (δεν ξέρεις τι είναι, αλλά στοιχηματίζουμε θα το θυμόμουν αν βλέπατε ένα) και, στη συνέχεια, να είστε σε θέση να αναγνωρίσετε κάθε επόμενο Doofer που βλέπετε.
Προτεινόμενα βίντεο
Εάν η A.I. πρόκειται να ανταποκριθεί στις δυνατότητές του, είναι σημαντικό να μπορεί να μάθει με αυτόν τον τρόπο. Ενώ το πρόβλημα δεν έχει ακόμη επιλυθεί, α
νέα ερευνητική εργασία από το Πανεπιστήμιο του Waterloo στο Οντάριο περιγράφει α πιθανή επαναστατική διαδικασία ονομάζεται εκμάθηση LO-shot (ή λιγότερο από μία βολή). Αυτό θα μπορούσε να επιτρέψει στις μηχανές να μαθαίνουν πολύ πιο γρήγορα όπως οι άνθρωποι. Αυτό θα ήταν χρήσιμο για ένα ευρύ φάσμα λόγων, αλλά ιδιαίτερα για σενάρια στα οποία δεν υπάρχουν μεγάλες ποσότητες δεδομένων για εκπαίδευση.Η υπόσχεση της μάθησης λιγότερων από μία
"Το LO-shot μαθησιακό μας χαρτί εξερευνά θεωρητικά τον μικρότερο δυνατό αριθμό δειγμάτων που χρειάζονται για την εκπαίδευση μοντέλων μηχανικής μάθησης." Ilia Sucholutsky, Διδάκτωρ. φοιτητής που εργάζεται στο έργο, είπε στο Digital Trends. «Διαπιστώσαμε ότι τα μοντέλα μπορούν πραγματικά να μάθουν να αναγνωρίζουν περισσότερες τάξεις από τον αριθμό των παραδειγμάτων εκπαίδευσης που τους δίνονται. Αρχικά παρατηρήσαμε αυτό το αποτέλεσμα εμπειρικά όταν εργαζόμασταν στην προηγούμενη εργασία μας απόσταξη δεδομένων soft-label, μια μέθοδος για τη δημιουργία μικροσκοπικών συνθετικών συνόλων δεδομένων που εκπαιδεύουν τα μοντέλα στην ίδια απόδοση σαν να είχαν εκπαιδευτεί στο αρχικό σύνολο δεδομένων. Διαπιστώσαμε ότι μπορούσαμε να εκπαιδεύσουμε τα νευρωνικά δίκτυα να αναγνωρίζουν και τα 10 ψηφία - από το μηδέν έως το εννέα - αφού εκπαιδευτήκαμε σε πέντε μόνο συνθετικά παραδείγματα, λιγότερο από ένα ανά ψηφίο. … Μας εξέπληξε πραγματικά αυτό, και αυτό μας οδήγησε να δουλέψουμε σε αυτό το εκπαιδευτικό χαρτί LO-shot για να προσπαθήσουμε και να καταλάβουμε θεωρητικά τι συνέβαινε».
Ο Sucholutsky τόνισε ότι αυτό είναι ακόμα τα πρώτα στάδια. Το νέο έγγραφο δείχνει ότι η εκμάθηση LO-shot είναι δυνατή. Οι ερευνητές πρέπει τώρα να αναπτύξουν τους αλγόριθμους που απαιτούνται για την εκτέλεση εκμάθησης LO-shot. Εν τω μεταξύ, είπε ότι η ομάδα έχει λάβει ενδιαφέρον από ερευνητές σε τομείς τόσο διαφορετικούς όσο ηφαιστειολογία, ιατρική απεικόνιση και ασφάλεια στον κυβερνοχώρο — όλοι θα μπορούσαν να επωφεληθούν από αυτό το είδος A.I. μάθηση.
«Ελπίζω ότι θα μπορέσουμε να ξεκινήσουμε την κυκλοφορία αυτών των νέων εργαλείων πολύ σύντομα, αλλά ενθαρρύνω άλλους οι ερευνητές μηχανικής μάθησης να αρχίσουν επίσης να εξερευνούν αυτήν την κατεύθυνση για να επιταχύνουν αυτή τη διαδικασία», είπε ο Sucholutsky είπε.
Συστάσεις των συντακτών
- Ρομπότ ασφαλείας θα μπορούσαν να έρχονται σε ένα σχολείο κοντά σας
- Η Amazon αναπτύσσει τεχνητή νοημοσύνη για να συνοψίσει τις κριτικές προϊόντων
- Η Amazon σχεδιάζει αλλαγές «μια φορά σε μια γενιά» για την Αναζήτηση, αποκαλύπτει μια αγγελία εργασίας
- Το τελευταίο A.I της Nvidia. Τα αποτελέσματα αποδεικνύουν ότι η ARM είναι έτοιμη για το κέντρο δεδομένων
- Η νέα φωνή της Nvidia A.I. ακούγεται σαν πραγματικό άτομο
Αναβαθμίστε τον τρόπο ζωής σαςΤο Digital Trends βοηθά τους αναγνώστες να παρακολουθούν τον γρήγορο κόσμο της τεχνολογίας με όλα τα τελευταία νέα, διασκεδαστικές κριτικές προϊόντων, διορατικά editorial και μοναδικές κρυφές ματιές.
