|
Как обучать ИИ создавать еще более мощные ИИ
|
|
|
|
Компания Google объявила об очередном большом шаге в разработке искусственного интеллекта, рассказав о новом подходе к машинному обучению, с помощью которого нейронные сети можно будет использовать для создания еще более эффективных нейронных сетей. По сути, речь идет об обучении машины создавать себе подобных.
|
|
|
|
Искусственные нейронные сети разрабатываются с учетом имитации процесса обучения мозга, и, согласно Google, ее новая технология, получившая название AutoML, способна сделать эти сети еще мощнее, эффективнее и проще в использовании.
|
 |
|
Генеральный директор Google Сундар Пичаи показал пример работы AutoML, выступая на конференции Google I/O 2017 — ежегодном мероприятии для разработчиков программного и аппаратного обеспечения, где обычно компания представляет или по крайней мере рассказывает о продуктах, над которыми работает в настоящий момент.
|
|
|
|
«Работает это так: мы берем набор кандидатов в нейронные сети, — назовем их нейронными сетями-малышами, — и многократно прогоняем через них на предмет поиска ошибок уже готовую нейронную сеть до тех пор, пока не получим еще более эффективную нейронную сеть», — сказал Пичаи.
|
|
|
|
Это процесс называется стимулированным обучением, где за поиск ошибок компьютеру будет полагаться некая награда. По тому же принципу, например, обучают новым трюкам собак. Разумеется, в случае компьютеров, здесь требуется наличие огромной вычислительной мощности, однако мощность оборудования Google вышла уже на такой уровень, что одна нейронная сеть может без труда анализировать работу другой нейронной сети.
|
|
|
|
Для создания нейронной сети требуется настоящая команда из экспертов в компьютерной инженерии и огромное количество времени, однако благодаря AutoML в будущем практически любой пользователь сможет построить свою собственную ИИ-систему и запрограммировать ее на выполнение абсолютно любых задач.
|
|
|
|
«Мы надеемся, что технология AutoML, которая на данный момент доступна лишь нескольким исследовательским центрам, через три-пять лет станет доступной для сотен, а лучше тысяч разработчиков нейронных сетей, которые захотят использовать их для своих определенных целей», — написал Пичаи в официальном блоге.
|
|
|
|
Машинное обучение – попытка наделить компьютер возможностью делать свои собственные выводы на базе имеющейся информации – это лишь один из подходов в разработке искусственного интеллекта, включающий два важных аспекта: процесс обучения и собственно способность самостоятельно делать выводы на его базе. С обучением все относительно понятно. Покажи компьютеру сотню тысяч картинок с котиками и собачками, и он в итоге поймет, какая комбинация пикселей составляет каждое из этих животных. Со второй частью несколько сложнее. Ведь именно здесь от машины требуется показать, чему она научилась, и на основе этого обучения самостоятельно прийти к логической догадке. Сделать вывод.
|
|
|
|
А теперь замените кошечек и собачек на нейронные сети, и вы получите представление о том, как работает AutoML, которая вместо распознавания животных распознает, какая из представленных систем является наиболее умной. Если верить Google, даже сейчас уровень AutoML уже таков, что она может быть эффективнее экспертов-людей в вопросе поиска лучших подходов для решения конкретных проблем. В перспективе это позволит существенно упростить процесс создания новых ИИ-систем, так как по сути их будут создавать себе же подобные.
|
|
|
|
На данный момент AutoML по-прежнему находится на раннем этапе своего развития, говорит Google, однако ИИ, машинное обучение и глубинное машинное обучение (продвинутые методы обучения машин, основывающиеся на имитации работы нейронов мозга человека) – все они так или иначе уже находят свое применение в тех приложениях и сферах, которые мы используем и в которых мы находимся ежедневно.
|
|
|
|
В рамках демонстрации на сцене конференции I/O инженеры Google показали, как их технология машинного обучения способна существенно осветлить очень темные изображения или, например, убрать с них различные шумы. И все эти действия машина способна выполнять, только полагаясь на информацию, полученную в рамках анализа миллионов других четких образцов снимков. В Google отмечают, что их суперкомпьютеры теперь стали эффективнее человека в процессе распознавания того, что находится на фото. На базе этой технологии в скором времени выйдет пользовательское приложение Google Lens, способное эффективно определять, какой цветок (или цветы) находится сейчас перед вами (или на снимках), через камеру смартфона.
|
|
|
|
Подобные сверхмощные алгоритмы на базе глубинного обучения в будущем определенно найдут место для своего применения в медицине, где системы, работающие на их базе, будут определять на снимках признаки злокачественных образований и большинстве случаев делать это гораздо эффективнее профессиональных хирургов.
|
|
|
|
С помощь технологии AutoML ИИ-платформы станут быстрее обучаться и будут гораздо умнее. Правда, ждать этого момента придется несколько подольше, чем выход обещанного «цветочного приложения» для платформы Android. Как бы там ни было, до этого момента у разработчиков приложений и ученых будет масса времени для того, чтобы ближе познакомиться с AutoML.
|
|
|
|
«Мы думаем, что эта технология приведет к появлению новых нейронных сетей и открытию возможностей, когда даже не эксперты смогут создавать свои личные нейронные сети для своих определенных нужд, что, в свою очередь, лишь увеличит возможность технологий машинного обучения оказывать больше влияния на нас всех», — считают научные специалисты Google Куок Ле и Баррет Зоф.
|
|
|
|
Источник
|
