211service.com
Algoritmer, der lærer med færre data, kan udvide AIs kraft
Sidste år viste Microsoft og Google begge, at deres billedgenkendelsesalgoritmer havde lært de bedste mennesker. De skabte uafhængigt software, der kunne overstige den gennemsnitlige menneskelige score på en standardtest, der udfordrer software til at genkende billeder af tusind forskellige objekter, fra moskeer til myg.
Men for at blive god nok til at besejre menneskeheden granskede hver virksomheds software 1,2 millioner mærkede billeder. Et barn kan lære at genkende en ny slags genstand eller dyr ved kun at bruge ét eksempel.
Start op Geometrisk intelligens sagde mandag, at det har udviklet maskinlæringssoftware, der er en meget hurtigere undersøgelse. CEO Gary Marcus sagde kl MIT Technology Review 's EmTech Digital-konference, at hans XProp-software kræver væsentligt færre eksempler end den dominerende form for maskinlæringssoftware, kendt som deep learning, for at lære en ny visuel opgave.
Marcus afslørede ikke detaljer om XProps virkemåde. Men han viste et diagram, der sammenlignede, hvordan XProp og et uspecificeret dyb-læringsprogram klarede sig på en test, der udfordrer software til at lære at genkende håndskrevne cifre.
Begge systemer kunne fungere mere præcist givet flere træningsdata. Men Geometric Intelligences XProp-software kunne gøre flere af de træningseksempler, den blev givet.
For eksempel, efter kun at have set omkring 150 eksempler af hvert ciffer, vil den kun genkende omkring 2 procent af de nye cifre forkert. Den dybe læringssoftware havde brug for omkring 700 eksempler af hver for at opnå lignende ydeevne.
Det betyder ikke, at XProp nødvendigvis er nyttig. At genkende håndskrevne cifre er mere eller mindre et løst problem. Træningsdata er rigeligt, og de bedst publicerede resultater ved hjælp af deep-learning-software har fejlprocenter på kun omkring 0,2 pct . Fordelen vist af XProp i forhold til deep-learning-softwaren i de data, Marcus viste, faldt, da mængden af træningsdata steg.
Men Marcus sagde, at XProp også havde produceret lignende resultater på en database med fotos af husnumre indsamlet af Googles Street View-projekt , og andre billedgenkendelsestest, der tyder på, at virksomhedens teknik kan være bredt anvendelig.
Der er bred enighed blandt maskinlæringsforskere om, at der er behov for nye teknikker, der kan arbejde med mindre data (se Denne AI-algoritme lærer simple opgaver lige så hurtigt som vi gør).
Dyb læring er meget datahungrende – vi lærer det hurtigere, sagde Marcus. Det, vi har, kan nogle gange halvere de nødvendige data, nogle gange med et større forhold.
Marcus, en professor i psykologi ved New York University, som har brugt årtier på at studere, hvordan børn lærer, er skeptisk over, at de seneste fremskridt inden for områder som tale- og billedgenkendelse, der er muliggjort af dyb læring, nødvendigvis vil føre til fremskridt på mere udfordrende områder som sprogforståelse ( se Kan denne mand gøre AI mere menneskelig?).
Store computervirksomheder som Google har været i stand til at skabe kraftfuld tale- og billedgenkendelsessoftware ved at bruge store penge på at samle gigantiske samlinger af mærkede træningsdata. Marcus bestrider ikke, at teknologi vil føre til succesfulde produkter (se Google tror, du er klar til at tale med computere). Men han mener, at det er nødvendigt at lave mindre data-hungrende algoritmer, hvis software skal komme tættere på den måde, mennesker hurtigt kan lære nye færdigheder eller tilpasse sig skiftende omstændigheder.
Vi lever i denne æra med big data, og der er en idé om, at vi bare kan smide mere data på problemet, sagde Marcus til EmTech-publikummet. Men for nogle problemer er der bare ikke nok data.
Sproget er et eksempel, sagde han. Med et uendeligt antal mulige sætninger er træningssoftware med mærkede eksempler på alle de mulige betydninger, det skal genkende, bare ikke muligt. Marcus nævnte også selvkørende biler som et eksempel, hvor datahungrende maskinlæring måske ikke er tilstrækkelig.
Hvis en bil skal opleve situationer igen og igen for at mestre dem, kan det tage meget lang tid at træne den til at klare enhver mulig trafik- og vejrsituation, sagde han.