211service.com
Google zet zijn virtuele hersentechnologie aan het werk
Deze zomer zette Google een nieuwe mijlpaal op het gebied van kunstmatige intelligentie met software die katten, mensen en andere dingen leerde herkennen door simpelweg YouTube-video's te bekijken (zie Autodidactische software). Die technologie, gemodelleerd naar hoe hersencellen werken, wordt nu aan het werk gezet om de producten van Google slimmer te maken, waarbij spraakherkenning de eerste service is die hiervan profiteert.
Platonisch ideaal: Deze samengestelde afbeelding vertegenwoordigt de ideale stimulus die het neurale netwerk van Google herkent als een kattengezicht.
De leersoftware van Google is gebaseerd op het simuleren van groepen verbonden hersencellen die communiceren en elkaar beïnvloeden. Wanneer zo'n neuraal netwerk, zoals het wordt genoemd, wordt blootgesteld aan gegevens, kunnen de relaties tussen verschillende neuronen veranderen. Dat zorgt ervoor dat het netwerk het vermogen ontwikkelt om op bepaalde manieren te reageren op binnenkomende gegevens van een bepaald soort - en het netwerk zou iets hebben geleerd.
Neurale netwerken worden al tientallen jaren gebruikt in gebieden waar machine learning wordt toegepast, zoals schaaksoftware of gezichtsdetectie. De ingenieurs van Google hebben manieren gevonden om meer rekenkracht achter de aanpak te zetten dan voorheen mogelijk was, door neurale netwerken te creëren die kunnen leren zonder menselijke hulp en robuust genoeg zijn om commercieel te worden gebruikt, niet alleen als onderzoeksdemonstraties.
De neurale netwerken van het bedrijf beslissen zelf aan welke kenmerken van gegevens aandacht moet worden besteed en welke patronen ertoe doen, in plaats van dat mensen beslissen dat bijvoorbeeld kleuren en bepaalde vormen van belang zijn voor software die objecten probeert te identificeren.
Google gebruikt deze neurale netwerken nu om spraak nauwkeuriger te herkennen, een technologie die steeds belangrijker wordt voor het smartphonebesturingssysteem van Google, Android, evenals de zoek-app die het beschikbaar stelt voor Apple-apparaten (zie Google's antwoord op Siri Thinks Ahead). We kregen tussen de 20 en 25 procent verbetering in termen van woorden die fout zijn, zegt Vincent Vanhoucke , een leider in de spraakherkenningsinspanningen van Google. Dat betekent dat veel meer mensen een perfecte ervaring zullen hebben zonder fouten. Het neurale netwerk werkt tot nu toe alleen op Amerikaans Engels, en Vanhoucke zegt dat soortgelijke verbeteringen mogelijk moeten zijn wanneer het wordt geïntroduceerd voor andere dialecten en talen.
Andere Google-producten zullen in de loop van de tijd waarschijnlijk verbeteren met behulp van de nieuwe leersoftware. De zoekhulpmiddelen van het bedrijf zouden bijvoorbeeld beter in staat kunnen zijn om te begrijpen wat er op een foto staat zonder afhankelijk te zijn van omringende tekst. En de zelfrijdende auto's van Google (zie Look, No Hands) en de mobiele computer ingebouwd in een bril (zie You Will Want Google's Goggles) zouden baat kunnen hebben bij software die beter in staat is om meer gegevens uit de echte wereld te begrijpen.
De nieuwe technologie haalde de krantenkoppen in juni van dit jaar, toen Google-ingenieurs resultaten publiceerden van een experiment waarbij 10 miljoen afbeeldingen uit YouTube-video's naar hun gesimuleerde hersencellen werden gegooid, waarbij 16.000 processors op duizend computers werden gebruikt gedurende 10 dagen zonder pauze.
Gemiddelde kenmerken: Deze samengestelde afbeelding is de ideale stimulans voor de software van Google om een menselijk gezicht op een foto te detecteren.
De meeste mensen houden hun model in een enkele machine, maar we wilden experimenteren met zeer grote neurale netwerken, zegt Jeff Dean , een ingenieur die het onderzoek bij Google leidt. Als u zowel de grootte van het model als de hoeveelheid gegevens waarmee u het traint opschaalt, kunt u fijnere onderscheidingen of complexere functies leren.
De neurale netwerken die uit dat proces voortkomen, zijn flexibeler. Deze modellen kunnen doorgaans veel meer context aan, zegt Dean, die een voorbeeld geeft uit de wereld van spraakherkenning. Als het systeem van Google bijvoorbeeld dacht dat het iemand hoorde zeggen dat ik een lychee ga eten, maar het laatste woord een beetje gedempt was, zou het zijn vermoeden kunnen bevestigen op basis van eerdere ervaring met zinnen, omdat lychee een vrucht is en wordt gebruikt in de dezelfde context als appel of sinaasappel.
Dean zegt dat zijn team ook modellen test die zowel afbeeldingen als tekst samen begrijpen. Je geeft het 'bruinvis' en je krijgt foto's van bruinvissen, zegt hij. Als je het een afbeelding van een bruinvis geeft, krijg je 'bruinvis' als woord.
Een volgende stap zou kunnen zijn om hetzelfde model ook de klanken van woorden te laten leren. Het kunnen relateren van verschillende vormen van gegevens zoals dat zou kunnen leiden tot spraakherkenning die bijvoorbeeld extra aanwijzingen uit video verzamelt, en het zou de mogelijkheden van de zelfrijdende auto's van Google kunnen vergroten door hen te helpen hun omgeving te begrijpen door de vele gegevensstromen te combineren ze verzamelen, van laserscans van obstakels in de buurt tot informatie van de motor van de auto.
Het werk van Google aan het maken van neurale netwerken brengt ons een kleine stap dichter bij een van de ultieme doelen van AI: software maken die de intelligentie van dieren of misschien zelfs van mensen kan evenaren, zegt Yoshua Bengio , een professor aan de Universiteit van Montreal die werkt aan vergelijkbare technieken voor machine learning. Dit is de weg naar het maken van meer algemene kunstmatige intelligentie - je krijgt geen intelligente machine als deze geen grote hoeveelheid kennis over de wereld kan opnemen, zegt hij.
In feite werkt de werking van de neurale netwerken van Google op dezelfde manier als wat neurowetenschappers weten over de visuele cortex bij zoogdieren, het deel van de hersenen dat visuele informatie verwerkt, zegt Bengio. Het blijkt dat de functie-leernetwerken die [door Google] worden gebruikt, vergelijkbaar zijn met de methoden die door de hersenen worden gebruikt om bestaande objecten te ontdekken.
Hij voegt er echter snel aan toe dat zelfs de neurale netwerken van Google veel kleiner zijn dan de hersenen, en dat ze niet veel dingen kunnen doen die nodig zijn voor intelligentie, zoals redeneren met informatie die van de buitenwereld is verzameld.
Dean is ook voorzichtig om niet te impliceren dat de beperkte intelligentie die hij aan het opbouwen is, dicht in de buurt komt van enig biologisch brein. Maar hij kan het niet laten om erop te wijzen dat als je de juiste wedstrijd kiest, de neurale netwerken van Google mensen verslaan.
We zien bij sommige visuele taken betere prestaties dan op menselijk niveau, zegt hij, als voorbeeld van etikettering, waarbij huisnummers verschijnen op foto's die zijn gemaakt met de Street View-auto van Google, een taak die vroeger aan veel mensen werd uitbesteed.
Ze beginnen neurale netten te gebruiken om te beslissen of een patch [in een afbeelding] een huisnummer is of niet, zegt Dean, en ze blijken beter te presteren dan mensen. Het is een kleine overwinning, maar wel een die laat zien hoe ver kunstmatige neurale netwerken achter die in je hoofd zitten. Het is waarschijnlijk dat het niet erg spannend is, en een computer wordt nooit moe, zegt Dean. Er is echte intelligentie voor nodig om je te vervelen.