211service.com
AI Software leert AI-software te maken
Vooruitgang in kunstmatige intelligentie zorgt ervoor dat sommige mensen zich zorgen maken dat software banen zal overnemen, zoals het wegrijden van vrachtwagens van mensen. Nu ontdekken vooraanstaande onderzoekers dat ze software kunnen maken die kan leren een van de lastigste onderdelen van hun eigen werk te doen: het ontwerpen van machine learning-software.
In één experiment lieten onderzoekers van de Google Brain-onderzoeksgroep kunstmatige intelligentie software een machine-learningsysteem ontwerpen om een test af te leggen die werd gebruikt om software te benchmarken die taal verwerkt. Waar het op kwam overtroffen eerder gepubliceerde resultaten van door mensen ontworpen software.
In de afgelopen maanden hebben verschillende andere groepen ook vooruitgang gemeld bij het verkrijgen van leersoftware om leersoftware te maken. Onder hen zijn onderzoekers van de non-profit onderzoeksinstituut OpenAI (mede opgericht door Elon Musk), MET , de Universiteit van Californië, Berkeley , en Google's andere onderzoeksgroep op het gebied van kunstmatige intelligentie, DeepMind .
Als zelfstartende AI-technieken praktisch worden, kunnen ze het tempo verhogen waarmee machine learning-software in de hele economie wordt geïmplementeerd. Bedrijven moeten momenteel een premie betalen voor machine learning-experts, die schaars zijn.
Jeff Dean, die de onderzoeksgroep Google Brain leidt, mijmerde vorige week dat een deel van het werk van dergelijke werknemers zou kunnen worden verdrongen door software. Hij beschreef wat hij geautomatiseerde machine learning noemde als een van de meest veelbelovende onderzoeksrichtingen die zijn team aan het verkennen was.
Op dit moment is de manier waarop je problemen oplost, dat je expertise en gegevens en berekeningen hebt, zei Dean, aan de AI Frontiers-conferentie in Santa Clara, Californië. Kunnen we de behoefte aan veel machine learning-expertise elimineren?
Een reeks experimenten van Google's DeepMind-groep suggereert dat wat onderzoekers leren om te leren noemen, ook kan helpen het probleem te verminderen van machine-learningsoftware die enorme hoeveelheden gegevens over een specifieke taak moet verbruiken om deze goed uit te voeren.
De onderzoekers daagden hun software uit om leersystemen te maken voor verzamelingen van meerdere verschillende, maar gerelateerde problemen, zoals het navigeren door doolhoven. Het kwam met ontwerpen die het vermogen toonden om te generaliseren en nieuwe taken op te pakken met minder aanvullende training dan normaal zou zijn.
Het idee om software te maken die leert te leren bestaat al een tijdje, maar eerdere experimenten leverden geen resultaten op die wedijveren met wat mensen kunnen bedenken. Het is spannend, zegt Yoshua Bengio , een professor aan de Universiteit van Montreal, die het idee eerder in de jaren negentig verkende.
Bengio zegt dat de krachtigere rekenkracht die nu beschikbaar is, en de komst van een techniek genaamd deep learning, die de recente opwinding over AI heeft aangewakkerd, ervoor zorgen dat de aanpak werkt. Maar hij merkt op dat het tot nu toe zo'n extreme rekenkracht vereist dat het nog niet praktisch is om na te denken over het verlichten van de last, of het gedeeltelijk vervangen van machine learning-experts.
De onderzoekers van Google Brain beschrijven het gebruik van 800 krachtige grafische processors om software aan te drijven die met ontwerpen voor beeldherkenningssystemen kwam die wedijveren met het beste dat door mensen is ontworpen.
Otkrist Gupta, onderzoeker bij het MIT Media Lab, denkt dat dat zal veranderen. Hij en MIT-collega's zijn van plan om de software achter hun eigen experimenten , waarin leersoftware deep-learningsystemen ontwierp die door mensen vervaardigde systemen overeenkwamen met standaardtests voor objectherkenning.
Gupta werd geïnspireerd om aan het project te werken door de frustrerende uren die besteed werden aan het ontwerpen en testen van machine learning-modellen. Hij denkt dat bedrijven en onderzoekers goed gemotiveerd zijn om manieren te vinden om geautomatiseerd machine learning praktisch te maken.
Het verlichten van de last voor de datawetenschapper is een grote beloning, zegt hij. Het kan je productiever maken, je betere modellen maken en je vrij maken om ideeën op een hoger niveau te verkennen.