За очень редким исключением, каждый крупный прогресс в области искусственного интеллекта этот век стал результатом машинного обучения. Как следует из названия (и вопреки символическому ИИ, который характеризовал большую часть первой половины истории отрасли), машинное обучение включает в себя умные системы, которые не просто следуют правилам, но и, на самом деле, учиться.
Но есть проблема. В отличие даже от маленького человеческого ребенка, машинному обучению необходимо показать большое количество обучающих примеров, прежде чем оно сможет их успешно распознать. Не существует такого понятия, как, скажем, видеть объект как «дуфер» (вы не знаете, что это такое, но мы уверены, что вы запомнил бы это, если бы увидел его) и, следовательно, смог бы распознать каждого последующего дурака, которого увидишь.
Рекомендуемые видео
Если бы А.И. собирается реализовать свой потенциал, важно, чтобы он мог учиться таким образом. Хотя проблема еще не решена, новая исследовательская работа Университета Ватерлоо в Онтарио
описывает потенциальный прорывной процесс называется обучением LO-shot (или менее одного выстрела). Это может позволить машинам обучаться гораздо быстрее, чем люди. Это было бы полезно по целому ряду причин, но особенно в сценариях, в которых не существует больших объемов данных для обучения.Обещание обучения менее чем за один раз
«В нашей статье по обучению LO-shot теоретически исследуется наименьшее возможное количество образцов, необходимых для обучения моделей машинного обучения», Илья Сухолуцкий, доктор философии Студент, работающий над проектом, рассказал Digital Trends. «Мы обнаружили, что модели на самом деле могут научиться распознавать больше классов, чем количество обучающих примеров, которые им дают. Первоначально мы заметили этот результат эмпирически, когда работали над нашей предыдущей статьей о дистилляция набора данных с мягкими метками, метод создания крошечных синтетических наборов данных, который обучает модели до той же производительности, как если бы они обучались на исходном наборе данных. Мы обнаружили, что можем научить нейронные сети распознавать все 10 цифр — от нуля до девяти — после обучения всего на пяти синтетических примерах, менее одного на цифру. … Мы были очень удивлены этим, и именно это побудило нас работать над учебным документом по LO-shot, чтобы попытаться теоретически понять, что происходит».
Сухолуцкий подчеркнул, что это пока начальный этап. Новая статья показывает, что обучение LO-shot возможно. Теперь исследователям предстоит разработать алгоритмы, необходимые для обучения методом LO. В то же время, по его словам, к команде проявили интерес исследователи в таких разнообразных областях, как вулканология, медицинская визуализация и кибербезопасность — все они могут извлечь выгоду из такого рода искусственного интеллекта. обучение.
«Я надеюсь, что мы сможем начать внедрение этих новых инструментов очень скоро, но я призываю других исследователи машинного обучения также начнут изучать это направление, чтобы ускорить этот процесс», — Сухолуцкий сказал.
Рекомендации редакции
- Роботы-охранники могут прийти в ближайшую к вам школу
- Amazon использует ИИ для обобщения обзоров продуктов
- Amazon планирует изменения в поиске «раз в поколение», говорится в объявлении о работе
- Новейший ИИ от Nvidia. Результаты доказывают, что ARM готова к использованию в центрах обработки данных
- Новый голос Nvidia A.I. звучит как настоящий человек
Обновите свой образ жизниDigital Trends помогает читателям быть в курсе быстро меняющегося мира технологий благодаря всем последним новостям, забавным обзорам продуктов, содержательным редакционным статьям и уникальным кратким обзорам.
