Con rarissime eccezioni, tutti grande passo avanti nel campo dell’intelligenza artificiale questo secolo è stato il risultato dell’apprendimento automatico. Come suggerisce il nome (e in contrasto con la simbolica I.A. che caratterizzò gran parte della prima metà del storia del settore), il machine learning implica sistemi intelligenti che non si limitano a seguire regole ma in realtà, beh, Imparare.
Ma c’è un problema. A differenza anche di un bambino piccolo, l’apprendimento automatico ha bisogno di mostrare un gran numero di esempi di formazione prima di poterli riconoscere con successo. Non esiste, ad esempio, vedere un oggetto come un "doofer" (non sai cosa sia, ma scommettiamo che lo ricorderesti se ne vedessi uno) e, successivamente, essere in grado di riconoscere ogni successivo doofer che vedi.
Video consigliati
Se l'A.I. sarà all’altezza del suo potenziale, è importante che possa imparare in questo modo. Anche se il problema deve ancora essere risolto, a nuovo documento di ricerca dell’Università di Waterloo in Ontario
descrive a potenziale processo di svolta chiamato apprendimento LO-shot (o meno di un colpo). Ciò potrebbe consentire alle macchine di apprendere molto più rapidamente alla maniera degli esseri umani. Ciò sarebbe utile per una vasta gamma di ragioni, ma in particolare per scenari in cui non esistono grandi quantità di dati per la formazione.La promessa di imparare in meno di un colpo
"Il nostro documento di apprendimento LO-shot esplora teoricamente il minor numero possibile di campioni necessari per addestrare modelli di machine learning", Ilia Sucholutsky, un dottorato di ricerca. studente che lavora al progetto, ha detto a Digital Trends. “Abbiamo scoperto che i modelli possono effettivamente imparare a riconoscere più classi rispetto al numero di esempi di formazione che ricevono. Inizialmente abbiamo notato questo risultato empiricamente lavorando sul nostro articolo precedente distillazione di set di dati soft-label, un metodo per generare piccoli set di dati sintetici che addestrano i modelli alle stesse prestazioni come se fossero addestrati sul set di dati originale. Abbiamo scoperto che potevamo addestrare le reti neurali a riconoscere tutte le 10 cifre, da zero a nove, dopo essere state addestrate su soli cinque esempi sintetici, meno di uno per cifra. … Ne siamo rimasti davvero sorpresi, ed è ciò che ci ha portato a lavorare su questo documento didattico LO-shot per cercare di capire teoricamente cosa stava succedendo.
Sucholutsky ha sottolineato che questa è ancora la fase iniziale. Il nuovo articolo mostra che l’apprendimento LO-shot è possibile. I ricercatori devono ora sviluppare gli algoritmi necessari per eseguire l’apprendimento LO-shot. Nel frattempo, ha affermato che il team ha suscitato interesse da parte di ricercatori in aree diverse come vulcanologia, imaging medico e sicurezza informatica: tutti potrebbero trarre vantaggio da questo tipo di intelligenza artificiale. apprendimento.
“Spero che saremo in grado di iniziare a implementare questi nuovi strumenti molto presto, ma ne incoraggio altri Anche i ricercatori dell’apprendimento automatico inizieranno a esplorare questa direzione per accelerare tale processo”, Sucholutsky disse.
Raccomandazioni degli editori
- I robot di sicurezza potrebbero arrivare in una scuola vicino a te
- Amazon utilizza l'intelligenza artificiale per riassumere le recensioni dei prodotti
- Amazon pianifica cambiamenti “irripetibili” per la Ricerca, rivela un annuncio di lavoro
- L'ultima A.I. di Nvidia i risultati dimostrano che ARM è pronto per il data center
- La nuova voce di Nvidia A.I. sembra proprio una persona reale
Migliora il tuo stile di vitaDigital Trends aiuta i lettori a tenere d'occhio il frenetico mondo della tecnologia con tutte le ultime notizie, divertenti recensioni di prodotti, editoriali approfonditi e anteprime uniche nel loro genere.
