Waarom de CEO van Google enthousiast is over het automatiseren van kunstmatige intelligentie

Sundar Pichai op de jaarlijkse ontwikkelaarsconferentie van het bedrijf in Mountain View, Californië.

Experts op het gebied van machine learning zijn schaars, omdat bedrijven in veel industrieën zich haasten om te profiteren van de recente vooruitgang in de kracht van kunstmatige intelligentie. De CEO van Google zegt dat een oplossing voor het tekort aan vaardigheden is om machine-learningsoftware een deel van het werk van het maken van machine-learningsoftware te laten overnemen.

Op de jaarlijkse ontwikkelaarsconferentie van Google vandaag introduceerde Pichai een project genaamd AutoML dat voortkomt uit de Google Brain-onderzoeksgroep voor kunstmatige intelligentie. Onderzoekers daar hebben aangetoond dat hun leeralgoritmen een van de lastigste onderdelen van het ontwerp van machine learning-software kunnen automatiseren om een ​​bepaalde taak op zich te nemen. In sommige gevallen kwam hun geautomatiseerde systeem met ontwerpen die het beste werk van menselijke machine learning-experts evenaren of verslaan.

'Dit is een heel spannende ontwikkeling', vertelt Pichai MIT Technology Review , in een e-mail. Het kan het hele veld versnellen en ons helpen enkele van de meest uitdagende problemen aan te pakken waarmee we vandaag worden geconfronteerd.

Pichai hoopt dat het AutoML-project het aantal ontwikkelaars dat gebruik kan maken van machine learning kan uitbreiden door de benodigde expertise te verminderen. Dit zou passen in de strategie van Google om zijn cloud computing-services te positioneren als de beste plek om te bouwen en te hosten met machine learning. Het bedrijf probeert nieuwe klanten te lokken in de zakelijke cloud computing-markt, waar het achterblijft bij leider Amazon en op de tweede plaats Microsoft (zie Google onthult krachtige nieuwe AI-chip en supercomputer).

Verwant verhaal

Verwant verhaal

AutoML is bedoeld om het gebruik van een techniek die deep learning wordt genoemd, gemakkelijker te maken en die Google en anderen gebruiken voor spraak- en beeldherkenning, vertaling en robotica (zie 10 Breakthrough Technologies 2013: Deep Learning).

Deep learning leert software slim te zijn door gegevens door wiskundige lagen te leiden die losjes zijn geïnspireerd op biologie en bekend staan ​​als kunstmatige neurale netwerken. Het kiezen van de juiste architectuur voor het wiskundige web van een neuraal netwerk is een cruciaal onderdeel van het maken van iets dat werkt. Maar het is niet gemakkelijk om erachter te komen. We doen het intuïtief, zegt Quoc Le, een machine learning-onderzoeker bij Google die aan het AutoML-project werkt.

Vorige maand presenteerden Le en collega-onderzoeker Barret Zoph resultaten van experimenten waarin ze een machine-learningsysteem de opdracht gaven om de beste architectuur te vinden om software te laten leren taal- en beeldherkenningstaken op te lossen.

Wat de afbeeldingstaak betreft, wedijverde hun systeem met de beste architecturen die zijn ontworpen door menselijke experts. Op de taaltaak versloeg het hen.

Misschien nog belangrijker, het kwam met een soort architectuur die onderzoekers voorheen niet geschikt achtten voor die taken. In zekere zin heeft het iets gevonden waarvan we niets wisten, zegt Le. Het is opvallend.

Het idee van software die leert om beter te worden in leren bestaat al een tijdje. Maar zoals veel ideeën op het gebied van kunstmatige intelligentie, maakt de kracht van deep learning nieuwe vooruitgang mogelijk. Onderzoekers van de andere AI-onderzoeksdivisie van Google, DeepMind, in de academische wereld, en de door Elon Musk gesteunde non-profit OpenAI onderzoeken gerelateerde concepten (zie AI-software leert AI-software te maken).

Op de vraag of ze op schema liggen om zichzelf werkloos te maken, lachen Le en Zoph echter. Op dit moment is de techniek te duur om op grote schaal te worden toegepast. De experimenten van het paar legden gedurende meerdere weken 800 krachtige grafische processors vast, waardoor het soort stroomrekening opliep dat maar weinig bedrijven zich konden veroorloven voor speculatief onderzoek.

Toch heeft Google nu een groter team dat aan AutoML werkt, inclusief hoe het minder arbeidsintensief kan worden gemaakt. Le denkt dat het kan helpen om video- of spraakherkenning nauwkeuriger te maken, of zelfs kan leiden tot vooruitgang op het neteligere probleem om software te laten leren zonder expliciete instructies van mensen (zie The Missing Link of Artificial Intelligence).

zich verstoppen