211service.com
AI-programvara jonglerar med sannolikheter för att lära av mindre data
En app utvecklad av Gamalon känner igen objekt efter att ha sett några exempel. Ett inlärningsprogram känner igen enklare begrepp som linjer och rektanglar.
Maskininlärning blir extremt kraftfull, men det kräver extrema mängder data.
Du kan till exempel träna en algoritm för djupinlärning för att känna igen en katt med en kattälskares expertisnivå, men du måste mata den tiotals eller till och med hundratusentals bilder av kattdjur och fånga en enorm variation i storlek, form, textur, belysning och orientering. Det skulle vara mycket mer effektivt om, lite som en person, en algoritm kunde utveckla en idé om vad som gör en katt till en katt utifrån färre exempel.
En Boston-baserad startup ringde Gamalon har utvecklat teknik som låter datorer göra detta i vissa situationer, och det släpper två produkter på tisdag baserat på tillvägagångssättet.
Om den underliggande tekniken kan tillämpas på många andra uppgifter, kan det få stor inverkan. Möjligheten att lära av mindre data kan låta robotar utforska och förstå nya miljöer mycket snabbt, eller tillåta datorer att lära sig om dina preferenser utan att dela dina data.
Gamalon använder en teknik som den kallar Bayesiansk programsyntes för att bygga algoritmer som kan lära av färre exempel. Bayesiansk sannolikhet, uppkallad efter 1700-talsmatematikern Thomas Bayes, ger en matematisk ram för att förfina förutsägelser om världen baserat på erfarenhet. Gamalons system använder probabilistisk programmering - eller kod som handlar om sannolikheter snarare än specifika variabler - för att bygga en prediktiv modell som förklarar en viss datamängd. Från bara några få exempel kan ett probabilistiskt program till exempel avgöra att det är mycket troligt att katter har öron, morrhår och svansar. När ytterligare exempel ges, skrivs koden bakom modellen om och sannolikheterna justeras. Detta ger ett effektivt sätt att lära sig den framträdande kunskapen från data.
Probabilistiska programmeringstekniker har funnits ett tag. 2015, till exempel, använde ett team från MIT och NYU probabilistiska metoder för att få datorer att lära sig känna igen skrivna tecken och objekt efter att ha sett bara ett exempel (se Denna AI-algoritm lär sig enkla uppgifter så snabbt som vi gör ). Men tillvägagångssättet har mest varit en akademisk kuriosa.
Det finns svåra beräkningsutmaningar att övervinna, eftersom programmet måste överväga många olika möjliga förklaringar, säger Brenden sjö , en forskare vid NYU som ledde 2015 års arbete.
Ändå, i teorin, säger Lake, har tillvägagångssättet betydande potential eftersom det kan automatisera aspekter av att utveckla en maskininlärningsmodell. Probabilistisk programmering kommer att göra maskininlärning mycket lättare för forskare och praktiker, säger Lake. Den har potential att ta hand om de svåra [programmerings]delarna automatiskt.
Det finns förvisso betydande incitament för att utveckla enklare att använda och mindre datahungriga maskininlärningsmetoder. Maskininlärning innebär för närvarande att man skaffar en stor rådatauppsättning och ofta sedan etiketterar den manuellt. Inlärningen sker sedan i stora datacenter, med många datorprocessorer som körs iväg parallellt i timmar eller dagar. Det finns bara ett fåtal riktigt stora företag som verkligen har råd att göra det här, säger Ben Vigoda, medgrundare och vd för Gamalon.
I teorin kan Gamalons tillvägagångssätt göra det mycket lättare för någon att bygga och förfina en maskininlärningsmodell också. Att fullända en algoritm för djupinlärning kräver en hel del matematisk och maskininlärningsexpertis. Det finns en svart konst att sätta upp dessa system, säger Vigoda. Med Gamalons tillvägagångssätt kan en programmerare träna en modell genom att mata in viktiga exempel.
Vigoda visade MIT Technology Review en demo med en ritapp som använder tekniken. Den liknar den som släpptes förra året av Google, som använder djupinlärning för att känna igen objektet en person försöker skissa (se Vill du förstå AI? Testa att skissa en anka för ett neuralt nätverk ). Men medan Googles app måste se en skiss som matchar de som den har sett tidigare, använder Gamalons version ett probabilistiskt program för att känna igen de viktigaste egenskaperna hos ett objekt. Till exempel förstår ett program att en triangel som sitter ovanpå en kvadrat med största sannolikhet är ett hus. Detta innebär att även om din skiss skiljer sig mycket från vad den har sett tidigare, förutsatt att den har dessa funktioner, kommer den att gissa rätt.
Tekniken kan också ha betydande kommersiella tillämpningar på kort sikt. Företagets första produkter använder Bayesiansk programsyntes för att känna igen begrepp i text.
En produkt, kallad Gamalon Structure, kan extrahera koncept från råtext mer effektivt än vad som normalt är möjligt. Till exempel kan det ta en tillverkares beskrivning av en tv och bestämma vilken produkt som beskrivs, varumärket, produktnamnet, upplösningen, storleken och andra funktioner. En annan produkt, Gamalon Match, används för att kategorisera produkterna och priset i en butiks lager. I varje fall, även när olika akronymer eller förkortningar används för en produkt eller funktion, kan systemet snabbt tränas att känna igen dem.
Vigoda tror att förmågan att lära kommer att ha andra praktiska fördelar. En dator kan lära sig om en användares intressen utan att kräva en opraktisk mängd data eller timmars utbildning. Personuppgifter kanske inte heller behöver delas med stora företag, om maskininlärning kan göras effektivt på en användares smartphone eller bärbara dator. Och en robot eller en självkörande bil kan lära sig om ett nytt hinder utan att behöva se hundratusentals exempel.