211service.com
Googles selvtrænings-AI gør kodere til maskinlæringsmestre
Google har netop gjort det meget nemmere at bygge dit helt eget tilpassede AI-system.
En ny tjeneste, kaldet Cloud AutoML , bruger flere maskinlærings-tricks til automatisk at bygge og træne en dyb-læringsalgoritme, der kan genkende ting i billeder.
Teknologien er begrænset for nu, men det kan være starten på noget stort. Opbygning og optimering af en dyb neural netværksalgoritme kræver normalt en detaljeret forståelse af den underliggende matematik og kode, samt omfattende øvelse i at justere parametrene for algoritmer for at få tingene helt rigtige. Vanskeligheden ved at udvikle AI-systemer har skabt et kapløb om at rekruttere talenter, og det betyder, at kun store virksomheder med dybe lommer normalt har råd til at bygge deres egne skræddersyede AI-algoritmer.
Vi skal skalere AI ud til flere mennesker, Fei-Fei Li , chefforsker hos Google Cloud, sagde forud for lanceringen i dag. Li vurderer, at der højst er et par tusinde mennesker verden over med den ekspertise, der er nødvendig for at bygge de allerbedste deep-learning-modeller. Men der er anslået 21 millioner udviklere på verdensplan i dag, siger hun. Vi ønsker at nå ud til dem alle og gøre AI tilgængelig for disse udviklere.
Cloud computing er en af nøglerne til at gøre AI mere tilgængelig. Google, Amazon, Microsoft og andre virksomheder skynder sig at tilføje maskinlæringsfunktioner til deres cloud-platforme. Google Cloud tilbyder allerede mange sådanne værktøjer, men de bruger fortrænede modeller. Det begrænser, hvad de kan gøre - for eksempel vil programmører kun være i stand til at bruge værktøjerne til at genkende et begrænset udvalg af objekter eller scener, som de allerede er blevet trænet til at genkende. En ny generation af cloud-baserede maskinlæringsværktøjer, der kan træne sig selv, ville gøre teknologien langt mere alsidig og lettere at bruge.
Flere virksomheder har testet Google Cloud AutoML i de sidste par måneder. Disney brugte tjenesten til at udvikle en måde at søge i sine varer efter bestemte tegneseriefigurer, selvom disse produkter ikke er tagget med denne figurs navn.
Joaquin Vanschoren , en professor ved Eindhoven Institute of Technology i Holland, som har specialiseret sig i automatiseret maskinlæring, siger, at det stadig er et relativt nyt forskningsemne, selvom interessen for området har været stigende på det seneste. Det er imponerende, at de kan frigive det her som en produktionsservice så hurtigt, siger han.
Vanschoren siger, at automatisering kan tilføje en masse beregningsomkostninger, så Google må kaste masser af ressourcer på tjenesten. Det vil sandsynligvis kun blive værre, da programmører forsøger at designe AI-systemer, der bevæger sig ud over simpel billedklassificering og forsøger at tackle stadig bredere opgaver.
Google-forskere har testet grænserne for automatisering af kunstig intelligens i nogen tid nu. I 2016 viste et hold det dyb læring kunne i sig selv bruges at identificere de bedste tweaks til et dybt læringssystem. Sidste år endnu en gruppe på virksomheden brugt simuleret naturlig selektion at udvikle en optimal netværksarkitektur. Og for nylig to Google-forskere brugt forstærkende læring -en teknik inspireret af den måde dyr lærer gennem positiv feedback - for automatisk at forbedre et dybt indlæringssystem.
Indsats på dette område kan i sidste ende indgå i den store indsats for at opbygge mere generelle og tilpasningsdygtige former for kunstig intelligens. Men før maskinerne tager helt over, kan du i det mindste prøve dig frem med at udvikle din helt egen AI.