211service.com
Een klein team van student-AI-codeerders verslaat de machine learning-code van Google
Een gerasterde beeldcollage van duizenden foto's Andrej Karpathy
Studenten van Snel.ai , een kleine organisatie die gratis online cursussen voor machine learning aanbiedt, heeft zojuist een AI-algoritme gemaakt dat beter presteert dan code van de onderzoekers van Google, volgens een belangrijke benchmark.
Het succes van Fast.ai is belangrijk omdat het soms lijkt alsof alleen degenen met enorme middelen geavanceerd AI-onderzoek kunnen doen.
Fast.ai bestaat uit deeltijdstudenten die machine learning willen uitproberen en misschien willen overstappen naar een carrière in datawetenschap. Het verhuurt toegang tot computers in de cloud van Amazon.
Maar het team van Fast.ai heeft een algoritme gebouwd dat de code van Google verslaat, gemeten met een benchmark genaamd DAWNBench , van onderzoekers van Stanford. Deze benchmark gebruikt een algemene afbeeldingsclassificatietaak om de snelheid van een diepgaand lerend algoritme per dollar aan rekenkracht te volgen.
De onderzoekers van Google stonden bovenaan de vorige ranglijst, in een categorie voor training op verschillende machines, met behulp van een op maat gemaakte verzameling eigen chips die speciaal zijn ontworpen voor machine learning. Het Fast.ai-team was in staat om iets nog snellers te produceren, op ongeveer gelijkwaardige hardware.
State-of-the-art resultaten zijn niet het exclusieve domein van grote bedrijven, zegt Jeremy Howard, een van de oprichters van Fast.ai en een prominente AI-ondernemer. Howard en zijn medeoprichter, Rachel Thomas, hebben Fast.ai gemaakt om AI toegankelijker en minder exclusief te maken.
Howards team was in staat om te concurreren met bedrijven als Google door veel eenvoudige dingen te doen, die worden beschreven in een blogpost . Deze omvatten het ervoor zorgen dat de afbeeldingen die naar het trainingsalgoritme werden gevoerd correct werden bijgesneden: dit zijn de voor de hand liggende, domme dingen die veel onderzoekers niet eens zouden denken te doen, zegt Howard.
De code die nodig is om het leeralgoritme op verschillende machines uit te voeren, is ontwikkeld door een medewerker van het nieuwe Defensie-innovatie-eenheid , onlangs gemaakt om het leger te helpen bij het werken met AI en machine learning.
Matei Zaharia , een professor aan de Stanford University en een van de makers van DAWNBench, zegt dat het werk van Fast.ai indrukwekkend is, maar merkt op dat voor veel AI-taken grote hoeveelheden gegevens en aanzienlijke computerbronnen nog steeds essentieel zijn.
Het Fast.ai-algoritme werd in 18 minuten in de ImageNet-database getraind met 16 Amazon Web Service-instanties, tegen een totale rekenkost van ongeveer $ 40. Howard beweert dat dit ongeveer 40 procent beter is dan de inspanningen van Google, hoewel hij toegeeft dat vergelijken lastig is omdat de hardware anders is.
Jack Clark , directeur communicatie en beleid bij OpenAI, een non-profitorganisatie, zegt dat Fast.ai waardevol werk heeft geleverd op andere gebieden, zoals taalbegrip. Dit soort dingen komt iedereen ten goede omdat ze de basiskennis van mensen met AI-technologie vergroten, zegt Clark.