211service.com
IBM stimuleert deep learning met een Watson-upgrade
IBM's Gevaar! - spelend computersysteem, Watson , combineerde twee afzonderlijke gebieden van onderzoek naar kunstmatige intelligentie met winnende resultaten. Het begrip van natuurlijke taal werd samengevoegd met statistische analyse van enorme, ongestructureerde stapels tekst om de waarschijnlijke antwoorden op cryptische Gevaar! aanwijzingen.
Nu wil IBM nog een krachtige AI-techniek, bekend als deep learning, toevoegen aan de commerciële versie van Watson. De verhuizing zou het platform aanzienlijk slimmer en nuttiger kunnen maken en wijst op een veelbelovende toekomstige richting voor AI-onderzoek.
In zijn poging om Watson te commercialiseren, heeft IBM enkele van de functies ontwikkeld voor de Gevaar! uitdaging, evenals enkele nieuwe, beschikbaar voor ontwikkelaars via een cloud-applicatieprogrammeerinterface (API). Het heeft nu drie op deep learning gebaseerde functies toegevoegd aan deze Watson API: vertaling, spraak-naar-tekst en tekst-naar-spraak. Deze kunnen worden gebruikt om bijvoorbeeld apps of websites te bouwen die vertaal- of transcriptiediensten aanbieden. Maar ontwikkelaars kunnen ze ook verbinden met andere Watson-services die vragen ontleden en in grote hoeveelheden tekst naar antwoorden zoeken. Dit zou kunnen leiden tot een app die het mogelijk maakt om met natuurlijk gesproken zoekopdrachten grote aantallen documenten te doorzoeken.
Het bedrijf heeft ook gezegd dat het zal samenwerken met Yoshua Bengio , een professor aan de Universiteit van Montreal in Canada, een vooraanstaand figuur op het gebied van deep learning.
Deep learning houdt in dat een computer wordt getraind om vaak complexe en abstracte patronen te herkennen door grote hoeveelheden gegevens door opeenvolgende netwerken van kunstmatige neuronen te voeren en de manier te verfijnen waarop die netwerken reageren op de invoer. De afgelopen jaren is de aanpak zeer effectief gebleken voor het herkennen van gesproken woorden of andere audio, of het classificeren van visuele informatie (zie Breakthrough Technologies 2013: Deep Learning).
De afgelopen jaren zijn er snelle vorderingen gemaakt op het gebied van diep leren dankzij het feit dat grote hoeveelheden geclassificeerde gegevens beschikbaar zijn gekomen, vooral online, en omdat krachtige parallelle grafische processors bijzonder effectief zijn gebleken bij het uitvoeren van de noodzakelijke berekeningen. Enkele van 's werelds grootste technologiebedrijven willen deep learning graag toepassen op commercieel relevante manieren (zie Facebook lanceert AI-inspanningen om betekenis te vinden in uw berichten en Is Google de markt in Deep Learning in de greep? ). Google en Facebook hebben ook leidende figuren in deep learning ingehuurd om de technologie op hun bedrijven toe te passen.
Hoewel de resultaten van deep learning-systemen vaak spectaculair zijn, zijn de verantwoordelijke systemen extreem gespecialiseerd en kunnen ze op verrassende manieren falen omdat ze de wereld niet op een erg zinvolle manier begrijpen. Als deep learning effectief kan worden gecombineerd met andere AI-technieken, kan dat meer afgeronde, bruikbare systemen opleveren.
Je kunt je veel verschillende gebruiksscenario's voorstellen, zegt Jerome Pesenti , vice-president van kerntechnologieën voor Watson. Laten we zeggen dat je een bank- of verzekeringsproduct hebt, je kunt via de telefoon praten en zeggen: 'Hé, dit is mijn probleem' en iets hebben dat automatisch met je communiceert, of dat je aan een echt mens geeft als het systeem het niet doet. weet niet hoe te antwoorden. Dat is het soort systeem dat we nu op de markt brengen.
Het combineren van verschillende onderdelen van AI-onderzoek zou de komende jaren een belangrijke trend kunnen worden.
Een belangrijke uitdaging voor moderne AI is het weer in elkaar zetten van een veld dat bijna is versplinterd tussen deze methoden, zegt James Hendler , directeur van het Rensselaer Polytechnic Institute for Data Exploration and Applications in Troy, New York. RPI heeft toegang tot een vroege versie van Watson die door IBM aan de universiteit is geschonken, en Hendler geeft cursussen op basis van de technologie. Het belangrijkste aan Watson, zegt hij, is dat het inherent is aan het nemen van veel verschillende oplossingen voor dingen en deze te integreren om tot een beslissing te komen.
Het toepassen van leren van het ene gebied, zoals visie, op een ander, zoals spraak, staat bekend als een multimodale benadering. Het zou toekomstige AI-systemen veel nuttiger kunnen maken en zou fundamentele inzichten kunnen opleveren in de aard van intelligene.
Als het gaat om het commercialiseren van dergelijke ontwikkelingen, kan IBM, dankzij Watson, een voorsprong hebben bij het op bruikbare manieren integreren van nieuwe technieken. Pesenti zegt dat zijn team op dit gebied al vooruitgang boekt. Als ik met je over een hond praat, is het heel moeilijk om te begrijpen wat een hond is zonder een ervaring van die hond te hebben, wat je krijgt door een multimodale kijk daarop, zegt hij. We geloven dat dit eigenlijk een heel, heel groot deel van onze strategie is.