211service.com
Google og andre bygger AI-systemer, der tvivler på sig selv
Saiman Chow
Den mest kraftfulde tilgang inden for AI, deep learning, får en ny evne: en følelse af usikkerhed.
Forskere hos Uber og Google arbejder på modifikationer af de to mest populære deep-learning frameworks, der vil gøre dem i stand til at håndtere sandsynlighed. Dette vil give de smarteste AI-programmer en måde at måle deres tillid til en forudsigelse eller en beslutning - i det væsentlige for at vide, hvornår de skulle tvivle på sig selv.
Deep learning, som involverer at føre eksempeldata til et stort og kraftfuldt neuralt netværk, har været en enorm succes i løbet af de sidste par år, hvilket gør det muligt for maskiner at genkende objekter i billeder eller transskribere tale næsten perfekt. Men det kræver masser af træningsdata og computerkraft, og det kan være overraskende skørt.
Lidt kontraintuitivt tilbyder denne selvtvivl én løsning. Den nye tilgang kan være nyttig i kritiske scenarier, der involverer selvkørende biler og andre autonome maskiner.
Du vil gerne have et system, der giver dig et mål for, hvor sikkert det er, siger Dustin Tran, der arbejder med dette problem hos Google. Hvis en selvkørende bil ikke kender sit usikkerhedsniveau, kan den lave en fatal fejl, og det kan være katastrofalt.
Værket afspejler erkendelsen af, at usikkerhed er et centralt aspekt af menneskelig ræsonnement og intelligens. Tilføjelse af det til AI-programmer kan gøre dem smartere og mindre tilbøjelige til at gå galt, siger Zoubin Ghahramani , en fremtrædende AI-forsker, der er professor ved University of Cambridge og chefforsker ved Uber.
Dette kan vise sig at være meget vigtigt, da AI-systemer bruges i stadig mere kritiske scenarier. Vi ønsker at have en bundsolid ramme for dyb læring, men gøre det nemmere for folk at repræsentere usikkerhed, fortalte Ghahramani mig for nylig over en kaffe en morgen under en stor AI-konference i Long Beach, Californien.
Under den samme AI-konference samledes en gruppe forskere på en nærliggende bar en eftermiddag for at diskutere Pyro, et nyt programmeringssprog udgivet af Uber, der kombinerer dyb læring med probabilistisk programmering.
Mødet i Long Beach var arrangeret af Noah Goodman , en professor ved Stanford, som også er tilknyttet Ubers AI Lab. Med krøllet, uredt hår og en opknappet skjorte kunne han nemt forveksles med en yogalærer frem for en AI-ekspert. Blandt dem til sammenkomsten var Tran, som også har bidraget til udviklingen af Pyro.
Goodman forklarer, at det at give deep learning evnen til at håndtere sandsynlighed kan gøre det smartere på flere måder. Det kunne for eksempel hjælpe et program med at genkende ting, med en rimelig grad af sikkerhed, fra blot nogle få eksempler frem for mange tusinde. At tilbyde en vis grad af sikkerhed i stedet for et ja-eller-nej-svar bør også hjælpe med at udvikle komplekse systemer.
Og mens et konventionelt dybt læringssystem kun lærer af de data, det tilføres, kan Pyro også bruges til at bygge et system, der er forudprogrammeret med viden. Dette kan være nyttigt i stort set alle scenarier, hvor maskinlæring i øjeblikket kan dukke op.
Relateret historie
Relateret historie Alphabet, nummer 5 på vores liste over de 50 smarteste virksomheder, mener, at det kan vride cloud computing-markedet væk fra Amazon ved at hjælpe virksomheder med at gøre brug af maskinlæring med et værktøj kaldet TensorFlow.I de tilfælde, hvor man har forhåndsviden, man gerne vil bygge ind i modellen, er probabilistisk programmering særligt nyttig, siger Goodman. Folk vil bruge Pyro til alle mulige ting.
Edward er et andet programmeringssprog, der omfavner usikkerhed, dette udviklet ved Columbia University med finansiering fra DARPA. Både Pyro og Edward er stadig på tidlige udviklingsstadier, men det er ikke svært at se, hvorfor Uber og Google er interesserede.
Uber bruger maskinlæring på utallige områder, lige fra rutekørsel af chauffører til fastsættelse af stigningspriser og selvfølgelig i sine selvkørende biler. Virksomheden har investeret massivt i kunstig intelligens og ansat en række eksperter, der arbejder på nye ideer. Google har på det seneste genopbygget hele sin virksomhed omkring kunstig intelligens og dyb læring.
David Blai , professor i statistik og datalogi ved Columbia University og Trans rådgiver, siger, at kombinationen af dyb læring og probabilistisk programmering er en lovende idé, der kræver mere arbejde. I princippet er det meget stærkt, siger han. Men der er mange, mange tekniske udfordringer.
Alligevel, som Goodman bemærker, er Pyro og Edward også vigtige for at samle to konkurrerende skoler i AI, den ene fokuseret på neurale netværk og den anden på sandsynlighed.
I de senere år har den neurale netværksskole været så dominerende, at andre ideer næsten er blevet efterladt. For at komme videre skal feltet muligvis omfavne disse andre ideer.
Den interessante historie her er, at du ikke behøver at tænke på disse lejre som separate, siger Goodman. De kan komme sammen – faktisk kommer de sammen – i de værktøjer, som vi nu bygger.
Du kan endda sige, at de bliver klogere, delvist ved at lære det, de ikke ved.