Hyvin harvoja poikkeuksia lukuun ottamatta jokainen merkittävä edistysaskel tekoälyssä tämä vuosisata on ollut koneoppimisen tulos. Kuten sen nimestä voi päätellä (ja vastoin symbolista A.I.:tä, joka oli ominaista suurelle osalle alkupuoliskoa alan historia), koneoppiminen sisältää älykkäitä järjestelmiä, jotka eivät vain noudata sääntöjä, vaan itse asiassa oppia.
Mutta siinä on ongelma. Toisin kuin pienille ihmislapsille, koneoppimiselle on näytettävä suuri määrä koulutusesimerkkejä, ennen kuin se tunnistaa ne onnistuneesti. Ei ole olemassa sellaista asiaa kuin vaikkapa näkemään esineen, kuten "luukun" (et tiedä mikä se on, mutta vetoamme muistaisi sen, jos näkisit sellaisen) ja sen jälkeen pystyisi tunnistamaan jokaisen seuraavan näkemäsi oven.
Suositellut videot
Jos A.I. aikoo käyttää potentiaaliaan, on tärkeää, että se voi oppia tällä tavalla. Vaikka ongelmaa ei ole vielä ratkaistu, a uusi tutkimuspaperi Waterloon yliopistosta Ontariossa kuvaa a mahdollinen läpimurtoprosessi kutsutaan LO-shot (tai vähemmän kuin yksi laukaus) oppimiseksi. Tämän ansiosta koneet voisivat oppia paljon nopeammin ihmisten tavoin. Se olisi hyödyllistä monista syistä, mutta erityisesti skenaarioissa, joissa koulutusta varten ei ole olemassa suuria tietomääriä.
Lupaus vähemmän kuin yhdellä kertaa oppimisesta
"LO-shot-oppimispaperimme tutkii teoreettisesti mahdollisimman pientä määrää näytteitä, joita tarvitaan koneoppimismallien kouluttamiseen." Ilia Sucholutsky, tohtori projektissa työskentelevä opiskelija, kertoi Digital Trendsille. ”Huomasimme, että mallit voivat itse asiassa oppia tunnistamaan enemmän luokkia kuin niille annetaan koulutusesimerkkejä. Huomasimme tämän tuloksen alun perin empiirisesti työstäessämme edellistä artikkeliamme soft-label-tietojoukon tislaus, menetelmä, jolla luodaan pieniä synteettisiä tietojoukkoja, jotka kouluttavat malleja samaan suorituskykyyn kuin jos ne olisi koulutettu alkuperäisellä tietojoukolla. Huomasimme, että voimme kouluttaa hermoverkot tunnistamaan kaikki 10 numeroa – nollasta yhdeksään – sen jälkeen, kun olimme opetettu vain viidellä synteettisellä esimerkillä, vähemmän kuin yksi per numero. … Olimme todella yllättyneitä tästä, ja se sai meidät työskentelemään tämän LO-shot-oppimispaperin parissa yrittääksemme ymmärtää teoreettisesti, mitä oli tekeillä.”
Sucholutsky korosti, että tämä on vielä alkuvaiheessa. Uusi paperi osoittaa, että LO-shot-oppiminen on mahdollista. Tutkijoiden on nyt kehitettävä LO-shot-oppimisen suorittamiseen tarvittavat algoritmit. Sillä välin hän sanoi, että ryhmä on herättänyt kiinnostusta tutkijoilta niinkin erilaisilta alueilta kuin vulkanologia, lääketieteellinen kuvantaminen ja kyberturvallisuus – jotka kaikki voisivat hyötyä tällaisesta A.I. oppimista.
"Toivon, että voimme aloittaa näiden uusien työkalujen käyttöönoton todella pian, mutta rohkaisen muita koneoppimisen tutkijat alkavat myös tutkia tätä suuntaa nopeuttaakseen tätä prosessia", Sucholutsky sanoi.
Toimittajien suositukset
- Turvarobotit saattavat olla tulossa kouluun lähelläsi
- Amazon käyttää tekoälyä tehdäkseen yhteenvedon tuotearvosteluista
- Amazon suunnittelee "kerran sukupolvessa" muutoksia haulle, paljastaa työpaikkailmoitus
- Nvidian uusin A.I. tulokset osoittavat, että ARM on valmis palvelinkeskukseen
- Nvidian uusi ääni A.I. kuulostaa ihan oikealta ihmiseltä
Päivitä elämäntapasiDigital Trends auttaa lukijoita pysymään tekniikan nopeatempoisessa maailmassa uusimpien uutisten, hauskojen tuotearvostelujen, oivaltavien toimitusten ja ainutlaatuisten kurkistusten avulla.
