211service.com
Drie vragen met de man die de nieuwe AI-inspanning van Baidu leidt
Kunstmatige intelligentie wordt geleid door het verre doel om software mensen te laten matchen bij belangrijke taken. Na het zien van resultaten van een nieuw veld genaamd deep learning, waarbij grote hoeveelheden gegevens worden verwerkt met behulp van gesimuleerde netwerken van miljoenen onderling verbonden neuronen, zijn sommige experts gaan geloven dat dit doel toch niet zo ver weg is (zie Deep Learning en Facebook Creates Software die bijna net zo goed bij gezichten past als u.
Vorige week sloot Baidu, China's grootste webzoekbedrijf, zich aan bij Amerikaanse techgiganten die groots inzetten op diep leren door een nieuw Silicon Valley-lab te openen dat speciaal voor deze aanpak is geopend (zie Chinese zoekgigant Baidu huurt man in achter het 'Google-brein'). Adam Coates, die onderzoek leidt in het nieuwe laboratorium, sprak met MIT Technology Review ’s Tom Simonite over hoe deep learning software bij sommige taken dichter bij menselijke prestaties kan brengen.
Het Google Brain-experiment waarbij een groot neuraal netwerk katten en andere objecten leerde herkennen door alleen maar naar foto's van YouTube te kijken, wordt vaak voorgehouden als een belangrijk bewijs van de kracht van diep leren (zie Autodidactische software ). Wat maakt dat project zo belangrijk?
Het leuke aan het Google-resultaat is dat niemand het hoeft te vertellen wat een object is. We hebben zoveel bewijs uit de neurowetenschap dat dit een cruciale manier is om te leren hoe de wereld werkt. Maar het is ook een technische noodzaak. Ik kan niet genoeg regels in de computer programmeren om de wereld te begrijpen; nu kunnen we proberen ze de regels zelf te laten leren.
Het systeem van Google voldeed niet aan menselijke prestaties en detecteerde in het beste geval slechts 81 procent van de tijd menselijke gezichten. De meer gevestigde benadering van begeleid leren, waarbij software handgelabelde gegevens krijgt om van te leren, kan beter. Weten we hoe we systemen zonder toezicht of autodidactische systemen kunnen verbeteren?
Hoe we ervoor kunnen zorgen dat het rendeert op het niveau dat we willen - [het bereiken van] prestaties op menselijk niveau - is een hele uitdaging.
Als je me veel voorbeelden geeft van wat je wilt voorspellen, dan kan ik software trainen om dat goed te krijgen. De uitdaging is hoe je kunt slagen als je niet veel voorbeelden hebt. Mensen hoeven geen miljoen katten te zien om te begrijpen wat één is. We kunnen een combinatie van begeleid en niet-gesuperviseerd leren gebruiken. Het zal van cruciaal belang zijn om te begrijpen hoe deze twee ideeën kunnen worden gecombineerd.
Bij Stanford heb je - geïnspireerd door het Google Brain-experiment - een nog groter neuraal netwerk ontwikkeld. Zullen grotere hersenen automatisch slimmer zijn?
Gezien de omvang van de uitdaging waar we naar kijken - prestaties op menselijk niveau - is het heel duidelijk dat er voor een klein neuraal netwerk geen hoop is. State-of-the-art hebben honderden miljoenen verbindingen. Daar kun je veel mee; bijvoorbeeld veel objecten herkennen.
[Maar] het lijkt niet zo eenvoudig als het neurale netwerk veel groter maken. Het resultaat van Google Brain is gebouwd op een enorm gedistribueerd systeem met veel CPU-kernen [16.000]. We ontdekten dat als je veel GPU's [gespecialiseerde grafische processors] bij elkaar zou voegen, we een veel groter neuraal netwerk zouden kunnen maken: 10 miljard nodes, met 16 machines in plaats van 1.000.
We gebruikten dezelfde benchmark [afbeeldingen van YouTube-video's] die het Google-team deed. Maar hoewel we een veel groter neuraal net konden trainen, kregen we niet per se een betere kattendetector. Op dit moment kunnen we neurale netwerken gebruiken die groter zijn dan we weten.
[In het Baidu-lab] willen we een raamwerk bouwen om experimenten uit te voeren die groot genoeg zijn om alle variaties in algoritmen te testen die de prestaties universeel zouden kunnen verbeteren.