Con muy raras excepciones, cada Gran avance en inteligencia artificial. Este siglo ha sido el resultado del aprendizaje automático. Como su nombre lo indica (y en contra de la IA simbólica que caracterizó gran parte de la primera mitad del historia del campo), el aprendizaje automático implica sistemas inteligentes que no solo siguen reglas sino que, en realidad, aprender.
Pero hay un problema. A diferencia incluso de un niño humano pequeño, al aprendizaje automático se le debe mostrar una gran cantidad de ejemplos de entrenamiento antes de que pueda reconocerlos con éxito. No existe tal cosa como, por ejemplo, ver un objeto como un "doofer" (no sabes qué es, pero te apostamos lo recordarías si vieras uno) y, a partir de entonces, ser capaz de reconocer a cada doofer posterior que veas.
Vídeos recomendados
Si la A.I. va a estar a la altura de su potencial, es importante que pueda aprender de esta manera. Si bien el problema aún no se ha resuelto, un Nuevo artículo de investigación de la Universidad de Waterloo en Ontario.
describe un potencial proceso de avance llamado aprendizaje LO-shot (o menos de un disparo). Esto podría permitir que las máquinas aprendan mucho más rápidamente a la manera de los humanos. Esto sería útil por una amplia gama de razones, pero particularmente en escenarios en los que no existen grandes cantidades de datos para la capacitación.La promesa del aprendizaje en menos de una oportunidad
"Nuestro artículo de aprendizaje LO-shot explora teóricamente la menor cantidad posible de muestras necesarias para entrenar modelos de aprendizaje automático". Ilia Sucholutsky, un doctorado. estudiante que trabaja en el proyecto, dijo a Digital Trends. “Descubrimos que los modelos pueden aprender a reconocer más clases que la cantidad de ejemplos de entrenamiento que se les dan. Inicialmente notamos este resultado empíricamente cuando trabajábamos en nuestro artículo anterior sobre destilación de conjuntos de datos de etiqueta suave, un método para generar pequeños conjuntos de datos sintéticos que entrenan modelos con el mismo rendimiento que si estuvieran entrenados en el conjunto de datos original. Descubrimos que podíamos entrenar redes neuronales para que reconocieran los 10 dígitos (de cero a nueve) después de haber sido entrenados con solo cinco ejemplos sintéticos, menos de uno por dígito. … Esto nos sorprendió mucho y es lo que nos llevó a trabajar en este documento de aprendizaje de LO-shot para intentar comprender teóricamente lo que estaba pasando”.
Sucholutsky subrayó que todavía estamos en las primeras etapas. El nuevo artículo muestra que el aprendizaje mediante LO-shot es posible. Los investigadores ahora deben desarrollar los algoritmos necesarios para realizar el aprendizaje de LO-shot. Mientras tanto, dijo que el equipo ha despertado el interés de investigadores en áreas tan diversas como vulcanología, imágenes médicas y ciberseguridad, todos los cuales podrían beneficiarse de este tipo de IA. aprendiendo.
"Espero que podamos comenzar a implementar estas nuevas herramientas muy pronto, pero animo a otros investigadores de aprendizaje automático también comiencen a explorar esta dirección para acelerar ese proceso”, dijo Sucholutsky. dicho.
Recomendaciones de los editores
- Los robots de seguridad podrían llegar a una escuela cercana a ti
- Amazon implementa IA para resumir reseñas de productos
- Amazon planea cambios 'únicos en una generación' para la Búsqueda, según revela un anuncio de trabajo
- La última tecnología de inteligencia artificial de Nvidia. Los resultados demuestran que ARM está listo para el centro de datos.
- La nueva voz de Nvidia A.I. suena como una persona real
Mejora tu estilo de vidaDigital Trends ayuda a los lectores a mantenerse al tanto del vertiginoso mundo de la tecnología con las últimas noticias, reseñas divertidas de productos, editoriales interesantes y adelantos únicos.
