Med svært sjeldne unntak, hver store fremskritt innen kunstig intelligens dette århundret har vært et resultat av maskinlæring. Som navnet tilsier (og i motsetning til den symbolske A.I. som preget store deler av den første halvdelen av feltets historie), involverer maskinlæring smarte systemer som ikke bare følger regler, men faktisk, vel, lære.
Men det er et problem. I motsetning til selv et lite menneskebarn, må maskinlæring vises et stort antall treningseksempler før den kan gjenkjenne dem. Det er ikke noe slikt som for eksempel å se en gjenstand som en "dofer" (du vet ikke hva det er, men vi vedder på at du ville huske det hvis du så en) og deretter kunne gjenkjenne hver påfølgende doofer du ser.
Anbefalte videoer
Hvis A.I. kommer til å leve opp til potensialet sitt, er det viktig at det kan lære på denne måten. Mens problemet ennå ikke er løst, a ny forskningsartikkel fra University of Waterloo i Ontario beskriver en potensiell gjennombruddsprosess kalt LO-skudd (eller mindre enn ett skudd) læring. Dette kan gjøre det mulig for maskiner å lære mye raskere på samme måte som mennesker. Det ville være nyttig av en lang rekke årsaker, men spesielt scenarier der store mengder data ikke eksisterer for trening.
Løftet om mindre enn ett skudd læring
"Vår LO-shot læringsoppgave utforsker teoretisk det minste mulige antall prøver som er nødvendig for å trene maskinlæringsmodeller," Ilia Sucholutsky, en Ph.D. student som jobber med prosjektet, fortalte Digital Trends. "Vi fant ut at modeller faktisk kan lære å gjenkjenne flere klasser enn antall treningseksempler de får. Vi la først merke til dette resultatet empirisk da vi jobbet med vår forrige artikkel om soft-label datasettdestillasjon, en metode for å generere bittesmå syntetiske datasett som trener modeller til samme ytelse som om de var trent på det originale datasettet. Vi fant ut at vi kunne trene nevrale nett til å gjenkjenne alle 10 sifrene - null til ni - etter å ha blitt trent på bare fem syntetiske eksempler, mindre enn ett per siffer. … Vi ble virkelig overrasket over dette, og det var det som førte til at vi jobbet med denne LO-shot læringsoppgaven for å prøve å teoretisk forstå hva som foregikk.»
Sucholutsky understreket at dette fortsatt er de tidlige stadiene. Det nye papiret viser at LO-shot læring er mulig. Forskerne må nå utvikle algoritmene som kreves for å utføre LO-skuddlæring. I mellomtiden sa han at teamet har mottatt interesse fra forskere på så forskjellige områder som vulkanologi, medisinsk bildebehandling og cybersikkerhet - som alle kan dra nytte av denne typen A.I. læring.
"Jeg håper at vi snart kan begynne å rulle ut disse nye verktøyene, men jeg oppfordrer andre maskinlæringsforskere til også å begynne å utforske denne retningen for å fremskynde prosessen,» Sucholutsky sa.
Redaktørenes anbefalinger
- Sikkerhetsroboter kan komme til en skole nær deg
- Amazon bruker AI for å oppsummere produktanmeldelser
- Amazon planlegger «en gang i en generasjon»-endringer for Søk, avslører stillingsannonsen
- Nvidias siste A.I. resultater viser at ARM er klar for datasenteret
- Nvidias nye stemme A.I. høres akkurat ut som en ekte person
Oppgrader livsstilen dinDigitale trender hjelper leserne å følge med på den fartsfylte teknologiverdenen med alle de siste nyhetene, morsomme produktanmeldelser, innsiktsfulle redaksjoner og unike sniktitter.
