Mere effektiv maskinlæring kunne ændre AI-paradigmet

Yaopai

I januar lancerede Google en ny tjeneste kaldet Cloud AutoML , som kan automatisere nogle vanskelige aspekter af design af maskinlæringssoftware. Mens de arbejdede på dette projekt, havde virksomhedens forskere nogle gange brug for at køre så mange som 800 grafikchips i forening for at træne deres kraftfulde algoritmer.

I modsætning til mennesker, der kan genkende kaffekopper fra at se et eller to eksempler, skal AI-netværk baseret på simulerede neuroner se titusindvis af eksempler for at identificere et objekt. Forestil dig at prøve at lære at genkende hvert emne i dit miljø på den måde, og du begynder at forstå, hvorfor AI-software kræver så meget computerkraft.

Hvis forskere kunne designe neurale netværk, der kunne trænes til at udføre bestemte opgaver ved kun at bruge en håndfuld eksempler, ville det ændre hele paradigmet, sagde Charles Bergan, vicepræsident for ingeniør hos Qualcomm, til publikum kl. MIT Technology Review EmTech China-konference tidligere på ugen.

Relateret historie

Relateret historie

Hvis neurale netværk skulle blive i stand til one-shot læring, sagde Bergan, ville den besværlige proces med at tilføre mængder af data til algoritmer for at træne dem blive forældet. Dette kan få alvorlige konsekvenser for hardwareindustrien, da både eksisterende teknologigiganter og startups i øjeblikket fokuserer på at udvikle mere kraftfulde processorer designet til at køre nutidens dataintensive AI-algoritmer.

Det ville også betyde langt mere effektiv maskinlæring. Mens neurale netværk, der kan trænes ved hjælp af små datasæt, ikke er en realitet endnu, bliver der allerede forsket i at gøre algoritmer mindre uden at miste nøjagtigheden, sagde Bill Dally, chefforsker ved Nvidia, på konferencen.

Nvidia-forskere bruger en proces kaldet netværksbeskæring til at gøre et neuralt netværk mindre og mere effektivt at køre ved at fjerne de neuroner, der ikke bidrager direkte til output. Der er måder at træne på, der kan reducere kompleksiteten af ​​træning med enorme mængder, sagde Dally.

skjule