Op zeer zeldzame uitzonderingen na, elke grote vooruitgang op het gebied van kunstmatige intelligentie deze eeuw is het resultaat geweest van machinaal leren. Zoals de naam al aangeeft (en in strijd met de symbolische AI die een groot deel van de eerste helft van de film kenmerkte). geschiedenis van het vakgebied), gaat het bij machine learning om slimme systemen die niet alleen regels volgen, maar eigenlijk, nou ja, leren.
Maar er is een probleem. In tegenstelling tot zelfs een klein mensenkind moet machine learning grote aantallen trainingsvoorbeelden getoond worden voordat het deze met succes kan herkennen. Er bestaat niet zoiets als bijvoorbeeld een object zien als een ‘doofer’ (je weet niet wat het is, maar we wedden dat je zou het onthouden als je er een zag) en daarna elke volgende doofer die je ziet, kunnen herkennen.
Aanbevolen video's
Als A.I. zijn potentieel gaat waarmaken, is het belangrijk dat het op deze manier kan leren. Hoewel het probleem nog niet is opgelost, a nieuw onderzoeksartikel van de Universiteit van Waterloo in Ontario
beschrijft een potentieel doorbraakproces genaamd LO-shot (of minder dan één shot) leren. Hierdoor kunnen machines veel sneller leren, net als mensen. Dat zou om een breed scala aan redenen nuttig zijn, maar vooral in scenario's waarin grote hoeveelheden gegevens niet beschikbaar zijn voor training.De belofte van leren in minder dan één keer
“Ons LO-shot leerpaper onderzoekt theoretisch het kleinst mogelijke aantal samples dat nodig is om machine learning-modellen te trainen,” Ilia Sucholutsky, een Ph.D. student die aan het project werkt, vertelde Digital Trends. “We ontdekten dat modellen feitelijk meer klassen kunnen leren herkennen dan het aantal trainingsvoorbeelden dat ze krijgen. We merkten dit resultaat aanvankelijk empirisch op toen we aan ons vorige artikel werkten soft-label datasetdestillatie, een methode voor het genereren van kleine synthetische datasets die modellen trainen tot dezelfde prestaties alsof ze op de originele dataset zijn getraind. We ontdekten dat we neurale netten konden trainen om alle tien cijfers – nul tot negen – te herkennen nadat ze waren getraind op slechts vijf synthetische voorbeelden, minder dan één per cijfer. … We waren hier echt verrast door, en dat heeft ertoe geleid dat we aan dit LO-shot-leerstuk hebben gewerkt om te proberen theoretisch te begrijpen wat er aan de hand was.’
Sucholutsky benadrukte dat dit nog in de beginfase is. Het nieuwe artikel laat zien dat LO-shot-leren mogelijk is. De onderzoekers moeten nu de algoritmen ontwikkelen die nodig zijn om LO-shot learning uit te voeren. In de tussentijd zei hij dat het team interesse heeft gekregen van onderzoekers op uiteenlopende gebieden vulkanologie, medische beeldvorming en cyberbeveiliging – die allemaal zouden kunnen profiteren van dit soort AI. aan het leren.
“Ik hoop dat we deze nieuwe tools heel snel kunnen uitrollen, maar ik moedig andere aan onderzoekers op het gebied van machine learning om ook deze richting te gaan verkennen om dat proces te versnellen”, zegt Sucholutsky gezegd.
Aanbevelingen van de redactie
- Beveiligingsrobots kunnen naar een school bij u in de buurt komen
- Amazon zet AI in om productrecensies samen te vatten
- Amazon plant ‘eenmalige’ veranderingen voor Search, blijkt uit vacatureadvertenties
- Nvidia's nieuwste A.I. De resultaten bewijzen dat ARM klaar is voor het datacenter
- Nvidia's nieuwe stem A.I. klinkt net als een echt persoon
Upgrade uw levensstijlMet Digital Trends kunnen lezers de snelle technische wereld in de gaten houden met het laatste nieuws, leuke productrecensies, inzichtelijke redactionele artikelen en unieke sneak peeks.
