Nagyon ritka kivételektől eltekintve minden jelentős előrelépés a mesterséges intelligencia területén ez az évszázad a gépi tanulás eredménye. Ahogy a neve is sugallja (és ellentétben a szimbolikus A.I.-vel, amely az első felének nagy részét jellemezte mező története), a gépi tanulás olyan intelligens rendszereket foglal magában, amelyek nem csak követik a szabályokat, hanem tanul.
De van egy probléma. Ellentétben még egy kis embergyerekkel, a gépi tanulásnak nagyszámú képzési példát kell bemutatnia, mielőtt sikeresen felismerné azokat. Nincs olyan, hogy mondjuk egy tárgyat látunk, mint egy „kapucsiszolót” (nem tudod, mi az, de fogadunk, emlékezne rá, ha látna egyet), és ezt követően képes lesz felismerni minden későbbi portást, amit lát.
Ajánlott videók
Ha A.I. ki fog használni a benne rejlő lehetőségeket, fontos, hogy így tanulhasson. Bár a problémát még meg kell oldani, a új kutatási tanulmány az ontariói Waterloo Egyetemről leírja a lehetséges áttörési folyamat az úgynevezett LO-shot (vagy kevesebb, mint egy lövés) tanulás. Ez lehetővé tenné, hogy a gépek sokkal gyorsabban tanuljanak, mint az emberek. Ez számos okból hasznos lenne, de különösen olyan forgatókönyvek esetében, amelyekben nem létezik nagy mennyiségű adat a képzéshez.
Az egynél rövidebb tanulás ígérete
„LO-shot tanulási cikkünk elméletileg a lehető legkisebb számú mintát vizsgálja, amely a gépi tanulási modellek betanításához szükséges” Ilia Sucholutsky, Ph. D. a projekten dolgozó diák – mondta a Digital Trendsnek. „Azt találtuk, hogy a modellek valójában több osztályt képesek felismerni, mint ahány képzési példát adnak nekik. Kezdetben ezt az eredményt empirikusan vettük észre, amikor előző cikkünkön dolgoztunk soft-label adatkészlet desztilláció, egy módszer apró szintetikus adatkészletek előállítására, amelyek ugyanolyan teljesítményre tanítják a modelleket, mintha az eredeti adatkészletre tanítanák őket. Azt találtuk, hogy meg tudjuk tanítani a neurális hálókat, hogy felismerjék mind a 10 számjegyet – nullától kilencig –, miután mindössze öt szintetikus példán tanultuk meg, számjegyenként egynél kevesebbet. …Ez nagyon meglepett minket, és ez vezetett oda, hogy ezen a LO-shot tanulási papíron dolgoztunk, hogy megpróbáljuk elméletileg megérteni, mi történik.”
Sucholutsky hangsúlyozta, hogy ez még a kezdeti szakasz. Az új dokumentum azt mutatja, hogy lehetséges az LO-shot tanulás. A kutatóknak most ki kell fejleszteniük az LO-shot tanuláshoz szükséges algoritmusokat. Időközben elmondta, hogy a csapat iránt érdeklődnek a kutatók olyan változatos területeken, mint pl a vulkanológia, az orvosi képalkotás és a kiberbiztonság – mindannyian profitálhatnak az effajta A.I. tanulás.
„Remélem, hogy hamarosan elkezdhetjük ezeknek az új eszközöknek a bevezetését, de bátorítom a többieket A gépi tanulással foglalkozó kutatók is kezdjék el feltárni ezt az irányt a folyamat felgyorsítása érdekében” – mondta Sucholutsky mondott.
Szerkesztői ajánlások
- Biztonsági robotok érkezhetnek egy közeli iskolába
- Az Amazon mesterséges intelligenciát alkalmaz a termékértékelések összefoglalására
- Az Amazon „egyszer a nemzedékben” változtatásokat tervez a Keresésben – derül ki az álláshirdetésből
- Az Nvidia legújabb A.I. Az eredmények azt bizonyítják, hogy az ARM készen áll az adatközpontra
- Az Nvidia új hangja A.I. úgy hangzik, mint egy igazi személy
Frissítse életmódjátA Digital Trends segítségével az olvasók nyomon követhetik a technológia rohanó világát a legfrissebb hírekkel, szórakoztató termékismertetőkkel, éleslátó szerkesztőségekkel és egyedülálló betekintésekkel.
