Su labai retomis išimtimis, kiekvienas didelė pažanga dirbtinio intelekto srityje šis amžius buvo mašininio mokymosi rezultatas. Kaip rodo jo pavadinimas (ir prieštarauja simboliniam A.I., kuris apibūdino didžiąją dalį pirmosios pusės srities istorija), mašininis mokymasis apima išmaniąsias sistemas, kurios ne tik laikosi taisyklių, bet iš tikrųjų, gerai, mokytis.
Bet yra problema. Priešingai nei mažam žmogaus vaikui, mašininiam mokymuisi reikia parodyti daugybę mokymo pavyzdžių, kad būtų galima juos sėkmingai atpažinti. Nėra tokio dalyko, kaip, tarkime, pamatyti objektą, pavyzdžiui, „durtuvą“ (jūs nežinote, kas tai yra, bet mes lažinamės prisimintų, jei pamatytumėte) ir po to galėtų atpažinti kiekvieną paskesnį jūsų matomą durtuvą.
Rekomenduojami vaizdo įrašai
Jei A.I. išnaudos savo potencialą, svarbu, kad jis galėtų taip mokytis. Nors problema dar neišspręsta, a naujas mokslinis darbas iš Vaterlo universiteto Ontarijo valstijoje aprašo a galimas proveržio procesas vadinamas LO-shot (arba mažiau nei vieno šūvio) mokymusi. Tai leistų mašinoms mokytis daug greičiau, kaip žmonės. Tai būtų naudinga dėl daugybės priežasčių, bet ypač dėl scenarijų, kai nėra daug duomenų, skirtų mokymui.
Pažadas išmokti mažiau nei vieną kartą
„Mūsų LO-shot mokymosi dokumentas teoriškai ištiria mažiausią įmanomą pavyzdžių skaičių, reikalingą mašininio mokymosi modeliams mokyti. Ilia Sucholutsky, daktaro laipsnis. studentas, dirbantis su projektu, pasakojo „Digital Trends“. „Mes nustatėme, kad modeliai iš tikrųjų gali išmokti atpažinti daugiau klasių nei jiems pateikiama mokymo pavyzdžių skaičius. Iš pradžių šį rezultatą pastebėjome empiriškai dirbdami su ankstesniu straipsniu „Soft-label“ duomenų rinkinio distiliavimas, metodas, skirtas mažiems sintetiniams duomenų rinkiniams generuoti, kurie treniruoja modelius taip, kad jie veiktų taip, lyg jie būtų mokomi naudojant pradinį duomenų rinkinį. Mes nustatėme, kad galime išmokyti neuroninius tinklus atpažinti visus 10 skaitmenų – nuo nulio iki devynių – po to, kai buvo išmokyti tik penki sintetiniai pavyzdžiai, mažiau nei vienas kiekvienam skaitmeniui.... Mus tai tikrai nustebino, ir tai paskatino mus dirbti su šiuo LO-shot mokymosi straipsniu, kad pabandytume teoriškai suprasti, kas vyksta.
Sucholutskis pabrėžė, kad tai dar ankstyvos stadijos. Naujasis dokumentas rodo, kad LO-shot mokymasis yra įmanomas. Mokslininkai dabar turi sukurti algoritmus, reikalingus LO-shot mokymuisi. Tuo tarpu jis sakė, kad komanda susidomėjo tyrėjais tokiose srityse kaip vulkanologija, medicininis vaizdavimas ir kibernetinis saugumas – visi jie galėtų gauti naudos iš tokio tipo A.I. mokymasis.
„Tikiuosi, kad greitai galėsime pradėti diegti šias naujas priemones, bet skatinu kitus mašininio mokymosi tyrėjai taip pat turėtų pradėti tyrinėti šią kryptį, kad pagreitintų šį procesą“, – sako Sucholutsky sakė.
Redaktorių rekomendacijos
- Apsaugos robotai gali ateiti į mokyklą šalia jūsų
- „Amazon“ diegia AI, kad apibendrintų produktų apžvalgas
- „Amazon“ planuoja „vieną kartą kartoti“ paieškos pakeitimus, atskleidžiama darbo skelbime
- Naujausias Nvidia A.I. rezultatai įrodo, kad ARM yra pasiruošęs duomenų centrui
- Naujasis „Nvidia“ balsas A.I. skamba kaip tikras žmogus
Atnaujinkite savo gyvenimo būdąSkaitmeninės tendencijos padeda skaitytojams stebėti sparčiai besivystantį technologijų pasaulį – pateikiamos visos naujausios naujienos, smagios produktų apžvalgos, įžvalgūs vedamieji leidiniai ir unikalūs žvilgsniai.
