Hvorfor Googles administrerende direktør er begejstret for at automatisere kunstig intelligens

Sundar Pichai ved virksomhedens årlige udviklerkonference i Mountain View, Californien.

Maskinlæringseksperter er en mangelvare, da virksomheder i mange brancher skynder sig at drage fordel af de seneste fremskridt i kraften af ​​kunstig intelligens. Googles administrerende direktør siger, at en løsning på manglen på færdigheder er at få maskinlæringssoftware til at overtage noget af arbejdet med at skabe maskinlæringssoftware.

På Googles årlige udviklerkonference i dag introducerede Pichai et projekt kaldet AutoML, der kommer ud af virksomhedens Google Brain-forskningsgruppe for kunstig intelligens. Forskere der har vist, at deres læringsalgoritmer kan automatisere en af ​​de sværeste dele af jobbet med at designe maskinlæringssoftware til at påtage sig en bestemt opgave. I nogle tilfælde kom deres automatiserede system med designs, der konkurrerer med eller slår det bedste arbejde fra menneskelige maskinlæringseksperter.

'Dette er en meget spændende udvikling, fortæller Pichai MIT Technology Review , i en e-mail. Det kunne accelerere hele feltet og hjælpe os med at tackle nogle af de mest udfordrende problemer, vi står over for i dag.

Pichai håber, at AutoML-projektet kan udvide antallet af udviklere, der kan gøre brug af maskinlæring ved at reducere den nødvendige ekspertise. Dette ville passe ind i Googles strategi om at placere sine cloud computing-tjenester som det bedste sted at bygge og hoste med maskinlæring. Virksomheden forsøger at lokke nye kunder på virksomhedens cloud computing-marked, hvor den halter efter førende Amazon og andenpladsen Microsoft (se Google afslører kraftfuld ny AI-chip og supercomputer).

Relateret historie

Relateret historie

AutoML er målrettet mod at gøre det nemmere at bruge en teknik kaldet deep learning, som Google og andre bruger til at styrke tale- og billedgenkendelse, oversættelse og robotteknologi (se 10 Breakthrough Technologies 2013: Deep Learning).

Deep learning lærer software at være smart ved at sende data gennem lag af matematik løst inspireret af biologi og kendt som kunstige neurale netværk. At vælge den rigtige arkitektur til et neuralt netværks matematiknet er en afgørende del af at lave noget, der virker. Men det er ikke nemt at finde ud af. Vi gør det ud fra intuition, siger Quoc Le, en maskinlæringsforsker hos Google, der arbejder på AutoML-projektet.

I sidste måned præsenterede Le og forskerkollegaen Barret Zoph resultater fra eksperimenter, hvor de gav et maskinlæringssystem til opgave at finde ud af den bedste arkitektur at bruge til at få software til at lære at løse sprog- og billedgenkendelsesopgaver.

På billedopgaven konkurrerede deres system med de bedste arkitekturer designet af menneskelige eksperter. På sprogopgaven slog det dem.

Måske mere markant var det, at det kom med arkitekturer af en art, som forskere ikke tidligere anså for egnede til disse opgaver. På en måde fandt den noget, vi ikke vidste om, siger Le. Det er slående.

Forestillingen om software, der lærer at blive bedre til at lære, har eksisteret i nogen tid. Men ligesom mange ideer inden for kunstig intelligens tillader kraften ved dyb læring nye fremskridt. Forskere ved Googles anden AI-forskningsafdeling, DeepMind, i den akademiske verden og den Elon Musk-støttede nonprofit OpenAI udforsker relaterede koncepter (se AI-software lærer at lave AI-software).

Når de bliver spurgt, om de er på vej til at sætte sig selv uden for et job, griner Le og Zoph dog. Lige nu er teknikken for dyr til at blive brugt bredt. Parrets eksperimenter bandt 800 kraftfulde grafikprocessorer i flere uger - og opsamlede den slags strømregning, som få virksomheder havde råd til til spekulativ forskning.

Alligevel har Google nu et større team, der arbejder på AutoML, herunder hvordan man gør det mindre ressourcekrævende. Le regner med, at det kan hjælpe med at gøre video- eller talegenkendelse mere præcis, eller endda føre til fremskridt med det sværere problem med at få software til at lære uden eksplicit vejledning fra mennesker (se The Missing Link of Artificial Intelligence).

skjule