Hiljuti on ettevõte välja töötanud tehnoloogia, mis võimaldab masinal väikestest näidetest tõhusalt õppida ja täiendada oma teadmisi, kui uusi näiteid on saadaval. Seda saab rakendada kõikjal, näiteks õpetades nutitelefoni kasutaja eelistusi ära tundma või aidates autonoomsetel mootorisüsteemidel takistusi kiiresti tuvastada.
Vana kõnekäänd „kordus on õppimise ema” kehtib masinate puhul suurepäraselt. Paljud kaasaegsed tehisintellekti süsteemid, mis töötavad seadmetes, tuginevad õppeprotsessis kordamisele. Süvaõppe algoritmid võimaldavad AI-seadmetel teadmistest andmebaasidest eraldada ja seejärel õpitut konkreetsetes olukordades rakendada. Näiteks kui söödate AI-süsteemi, et taevas on tavaliselt sinine, tunneb see pilvede hiljem taeva ära.
Selle meetodi abil saab teha keeruka töö, kuid kindlasti jätab see palju soovida. Kuid kas saaksite samu tulemusi, kui juhiksite AI süvaõppesüsteemi vähem näidete kaudu? Bostonis asuv startup Gamalon on sellele küsimusele vastamiseks välja töötanud uue tehnoloogia ja tutvustas sel nädalal kahte uut lähenemisviisi omavat toodet.
Gamalon kasutab Bayes'i programmeerimistehnikaid, tarkvara sünteesi. See põhineb 18. sajandi matemaatikal, mille on välja töötanud matemaatik Thomas Bayes. Bayesi tõenäosust kasutatakse kogemuste põhjal täpsustatud prognooside tegemiseks maailma kohta. See tõenäosusliku programmeerimise vorm - kus kood kasutab tõenäolisi, mitte konkreetseid väärtusi - nõuab vähem näiteid, näiteks järeldades, et taevas on sinine ja valgete pilvede laigud. Programm täiustab ka oma teadmisi, kui näiteid edasi uurite, ja selle koodi saab tõenäosuste täpsustamiseks ümber kirjutada.
Tõenäoline programmeerimine
Kuigi see uus lähenemisviis programmeerimisele vajab veel lahendamist, on sellel siiski märkimisväärne potentsiaal masinõppe algoritmide väljatöötamise automatiseerimiseks. “Tõenäoline programmeerimine muudab masinõppe teadlastele ja praktikutele lihtsamaks,” selgitab New Yorgi ülikooli teadlane Brendan Lake, kes töötas 2015. aastal tõenäosuslike programmeerimistehnikate kallal. "Tal on võime ise programmeerimise keerukate osade eest ise hoolitseda."
Tegevjuht ja kaasasutaja Ben Vigoda näitasid MIT Technology Review demojoonistamise rakendust, mis kasutab nende uut meetodit. See sarnaneb Google'i eelmisel aastal avaldatud versiooniga, kuna ennustab, mida inimene üritab joonistada. Me kirjutasime sellest üksikasjalikumalt. Kuid erinevalt Google'i versioonist, mis tugineb juba nähtud visanditele, tugineb Gamalon objekti peamiste tunnuste tuvastamisel tõenäosuslikule programmeerimisele. Seega, isegi kui joonistate kuju, mis erineb rakenduse andmebaasis sisalduvast, kui see suudab tuvastada konkreetseid tunnuseid - näiteks ruudu, mille ülaosas on kolmnurk (maja) -, teeb see õigeid ennustusi.
Reklaamvideo:
Gamaloni esitatud kaks toodet näitavad, et nende meetodid võivad lähitulevikus leida kommertseesmärke. Gamalon Struktuuri toode kasutab mõistete tuvastamiseks lihttekstist Bayesise tarkvara sünteesi ja edestab juba tõhususe osas teisi programme. Näiteks kui ta on tootjalt televiisori kirjelduse saanud, saab ta kindlaks teha selle kaubamärgi, tootenime, ekraani eraldusvõime, suuruse ja muud omadused. Teine rakendus - Gamalon Match - levitab tooteid ja hindu kauplustes. Mõlemal juhul õpib süsteem kiiresti ära tundma akronüümide või lühendite variatsioone.
Vigoda märgib, et võimalikke kasutusviise on ka teisi. Näiteks kui nutitelefonid või sülearvutid on varustatud Bayesi masinõppega, ei pea nad kasutajate huvide väljaselgitamiseks jagama suurettevõtetega isikuandmeid; arvutusi saab seadme sees tõhusalt läbi viia. Ka autonoomsed autod saavad selle õppemeetodi abil õppida oma keskkonnaga palju kiiremini kohanema.
Kui õpetate tehisintellekti iseseisvalt õppima, ei pea see olema jalutusrihma otsas.
ILYA KHEL
