211service.com
AI-software jongleert met kansen om te leren van minder gegevens
Een door Gamalon ontwikkelde app herkent objecten na het zien van enkele voorbeelden. Een leerprogramma herkent eenvoudiger concepten zoals lijnen en rechthoeken.
Machine learning wordt extreem krachtig, maar vereist extreme hoeveelheden data.
Je kunt bijvoorbeeld een diepgaand lerend algoritme trainen om een kat te herkennen met het expertiseniveau van een kattenliefhebber, maar je moet hem tien- of zelfs honderdduizenden afbeeldingen van katten voeren, waarmee je een enorme hoeveelheid variatie vastlegt in grootte, vorm, textuur, verlichting en oriëntatie. Het zou veel efficiënter zijn als, een beetje zoals een mens, een algoritme uit minder voorbeelden een idee zou kunnen ontwikkelen over wat een kat tot een kat maakt.
Een in Boston gevestigde startup genaamd Gamalon heeft technologie ontwikkeld waarmee computers dit in sommige situaties kunnen doen, en het brengt dinsdag twee producten uit op basis van de aanpak.
Als de onderliggende techniek op veel andere taken kan worden toegepast, kan dat een grote impact hebben. Door van minder gegevens te leren, kunnen robots nieuwe omgevingen heel snel verkennen en begrijpen, of kunnen computers uw voorkeuren leren kennen zonder uw gegevens te delen.
Gamalon gebruikt een techniek die het Bayesiaanse programmasynthese noemt om algoritmen te bouwen die van minder voorbeelden kunnen leren. Bayesiaanse waarschijnlijkheid, genoemd naar de 18e-eeuwse wiskundige Thomas Bayes, biedt een wiskundig raamwerk voor het verfijnen van voorspellingen over de wereld op basis van ervaring. Het systeem van Gamalon gebruikt probabilistische programmering - of code die zich bezighoudt met waarschijnlijkheden in plaats van specifieke variabelen - om een voorspellend model te bouwen dat een bepaalde dataset verklaart. Aan de hand van slechts enkele voorbeelden kan een probabilistisch programma bijvoorbeeld bepalen dat het zeer waarschijnlijk is dat katten oren, snorharen en staarten hebben. Naarmate er meer voorbeelden worden gegeven, wordt de code achter het model herschreven en worden de kansen aangepast. Dit biedt een efficiënte manier om de belangrijkste kennis uit de gegevens te halen.
Probabilistische programmeertechnieken bestaan al een tijdje. In 2015 gebruikte een team van MIT en NYU bijvoorbeeld probabilistische methoden om computers geschreven karakters en objecten te laten herkennen nadat ze slechts één voorbeeld hadden gezien (zie Dit AI-algoritme leert eenvoudige taken net zo snel als wij). Maar de aanpak was vooral een academische curiositeit.
Er zijn moeilijke rekenuitdagingen die moeten worden overwonnen, omdat het programma veel verschillende mogelijke verklaringen moet overwegen, zegt Brendenmeer , een onderzoeksmedewerker aan de NYU die het werk van 2015 leidde.
Maar in theorie, zegt Lake, heeft de aanpak een aanzienlijk potentieel omdat het aspecten van het ontwikkelen van een machine-learningmodel kan automatiseren. Probabilistisch programmeren zal machinaal leren veel gemakkelijker maken voor onderzoekers en beoefenaars, zegt Lake. Het heeft de potentie om de moeilijke [programmeer] onderdelen automatisch af te handelen.
Er zijn zeker belangrijke prikkels om gebruiksvriendelijkere en minder dataverslindende machine learning-benaderingen te ontwikkelen. Machine learning omvat momenteel het verwerven van een grote onbewerkte dataset en deze vaak handmatig labelen. Het leren wordt vervolgens gedaan in grote datacenters, waarbij veel computerprocessors worden gebruikt die uren of dagen parallel draaien. Er zijn maar een paar echt grote bedrijven die dit echt kunnen betalen, zegt Ben Vigoda, medeoprichter en CEO van Gamalon.
In theorie zou de aanpak van Gamalon het voor iemand ook een stuk gemakkelijker kunnen maken om een machine learning-model te bouwen en te verfijnen. Het perfectioneren van een deep-learning algoritme vereist veel expertise op het gebied van wiskunde en machine learning. Het opzetten van deze systemen is een zwarte kunst, zegt Vigoda. Met de aanpak van Gamalon zou een programmeur een model kunnen trainen door significante voorbeelden in te voeren.
Vigoda toonde MIT Technology Review een demo met een teken-app die de techniek gebruikt. Het is vergelijkbaar met het vorig jaar door Google uitgebrachte programma, dat deep learning gebruikt om het object te herkennen dat een persoon probeert te schetsen (zie Wil je AI begrijpen? Probeer een eend te schetsen voor een neuraal netwerk ). Maar terwijl de app van Google een schets moet zien die overeenkomt met degene die hij eerder heeft gezien, gebruikt de versie van Gamalon een probabilistisch programma om de belangrijkste kenmerken van een object te herkennen. Een programma begrijpt bijvoorbeeld dat een driehoek op een vierkant hoogstwaarschijnlijk een huis is. Dit betekent dat zelfs als je schets heel anders is dan wat hij eerder heeft gezien, mits hij die functies heeft, hij correct zal raden.
De techniek kan op korte termijn ook belangrijke commerciële toepassingen hebben. De eerste producten van het bedrijf gebruiken Bayesiaanse programmasynthese om concepten in tekst te herkennen.
Eén product, Gamalon Structure genaamd, kan concepten efficiënter uit onbewerkte tekst halen dan normaal mogelijk is. Het kan bijvoorbeeld de beschrijving van een fabrikant van een televisie nemen en bepalen welk product wordt beschreven, het merk, de productnaam, de resolutie, de grootte en andere kenmerken. Een ander product, Gamalon Match, wordt gebruikt om de producten en prijs in de voorraad van een winkel te categoriseren. In elk geval, zelfs wanneer verschillende acroniemen of afkortingen worden gebruikt voor een product of kenmerk, kan het systeem snel worden getraind om ze te herkennen.
Vigoda gelooft dat het vermogen om te leren ook andere praktische voordelen zal hebben. Een computer kan de interesses van een gebruiker leren kennen zonder een onpraktische hoeveelheid gegevens of uren training. Persoonlijke gegevens hoeven misschien ook niet met grote bedrijven te worden gedeeld, als machine learning efficiënt kan worden gedaan op de smartphone of laptop van een gebruiker. En een robot of een zelfrijdende auto zou een nieuw obstakel kunnen leren kennen zonder honderdduizenden voorbeelden te hoeven zien.