Med mycket sällsynta undantag, varje stora framsteg inom artificiell intelligens detta århundrade har varit resultatet av maskininlärning. Som namnet antyder (och i motsats till den symboliska A.I. som kännetecknade mycket av den första hälften av den fältets historia) involverar maskininlärning smarta system som inte bara följer regler utan faktiskt, ja, lära sig.
Men det finns ett problem. Till skillnad från till och med ett litet mänskligt barn måste maskininlärning visas ett stort antal träningsexempel innan det framgångsrikt kan känna igen dem. Det finns inget sådant som, säg, att se ett föremål som en "dofer" (du vet inte vad det är, men vi slår vad om att du skulle komma ihåg det om du såg en) och därefter kunna känna igen varje efterföljande doofer du ser.
Rekommenderade videor
Om A.I. kommer att leva upp till sin potential är det viktigt att det kan lära sig på det här sättet. Även om problemet ännu inte har lösts, a ny forskningsartikel från University of Waterloo i Ontario beskriver en
potentiell genombrottsprocess kallas LO-skott (eller mindre än ett skott) inlärning. Detta skulle kunna göra det möjligt för maskiner att lära sig mycket snabbare på samma sätt som människor. Det skulle vara användbart av många olika skäl, men särskilt scenarier där stora mängder data inte finns för utbildning.Löftet om att lära sig mindre än ett skott
"Vårt LO-shot inlärningspapper utforskar teoretiskt det minsta möjliga antalet prover som behövs för att träna maskininlärningsmodeller," Ilia Sucholutsky, en doktorsexamen student som arbetar med projektet, berättade för Digital Trends. "Vi fann att modeller faktiskt kan lära sig att känna igen fler klasser än antalet träningsexempel de ges. Vi märkte till en början detta resultat empiriskt när vi arbetade med vår tidigare uppsats om soft-label dataset destillation, en metod för att generera små syntetiska datamängder som tränar modeller till samma prestanda som om de tränades på den ursprungliga datamängden. Vi fann att vi kunde träna neurala nät för att känna igen alla 10 siffror - noll till nio - efter att ha tränats på bara fem syntetiska exempel, mindre än en per siffra. … Vi blev verkligen förvånade över detta, och det var det som ledde till att vi arbetade med detta LO-shot-uppsats för att försöka teoretiskt förstå vad som pågick.”
Sucholutsky betonade att detta fortfarande är de tidiga stadierna. Det nya dokumentet visar att LO-shot-inlärning är möjlig. Forskarna ska nu utveckla de algoritmer som krävs för att utföra LO-shot-inlärning. Under tiden sa han att laget har fått intresse från forskare inom så olika områden som vulkanologi, medicinsk bildbehandling och cybersäkerhet – som alla skulle kunna dra nytta av denna typ av A.I. inlärning.
"Jag hoppas att vi kommer att kunna börja rulla ut dessa nya verktyg snart, men jag uppmuntrar andra maskininlärningsforskare att också börja utforska den här riktningen för att påskynda processen, säger Sucholutsky sa.
Redaktörens rekommendationer
- Säkerhetsrobotar kan komma till en skola nära dig
- Amazon använder AI för att sammanfatta produktrecensioner
- Amazon planerar "en gång i generationen"-ändringar för Sök, avslöjar jobbannonsen
- Nvidias senaste A.I. Resultaten visar att ARM är redo för datacentret
- Nvidias nya röst A.I. låter precis som en riktig person
Uppgradera din livsstilDigitala trender hjälper läsare att hålla koll på den snabba teknikvärlden med alla de senaste nyheterna, roliga produktrecensioner, insiktsfulla redaktioner och unika smygtittar.
