211service.com
Denna AI-algoritm lär sig enkla uppgifter lika snabbt som vi gör
Med inspiration från hur människor verkar lära sig, har forskare skapat AI-programvara som kan hämta ny kunskap på ett mycket mer effektivt och sofistikerat sätt.
Fig. 1. Människor kan lära sig rika koncept från begränsad data. (A och B) Ett enda exempel på ett nytt koncept (röda rutor) kan vara tillräckligt med information för att stödja (i) klassificering av nya exempel, (ii) generering av nya exempel, (iii) tolka ett objekt i delar och relationer ( delar segmenterade efter färg), och (iv) generering av nya koncept från relaterade koncept.
Det nya AI-programmet kan känna igen en handskriven karaktär ungefär lika exakt som en människa kan, efter att bara ha sett ett enda exempel. De bästa befintliga maskininlärningsalgoritmerna, som använder en teknik som kallas djupinlärning, behöver se många tusen exempel på en handskriven karaktär för att lära sig skillnaden mellan ett A och ett Ö.
Programvaran har utvecklats av Brenden sjö , forskare vid New York University, tillsammans med Ruslan Salakhutdinov , en biträdande professor i datavetenskap vid University of Toronto, och Joshua Tenenbaum , professor vid institutionen för hjärn- och kognitionsvetenskap vid MIT. Detaljer om programmet, och idéerna bakom det, publiceras idag i tidskriften Vetenskap.
Datorer har blivit mycket smartare under de senaste åren och lär sig känna igen ansikten, förstå tal och till och med köra bilar säkert, bland många andra saker. Och de flesta framstegen har gjorts med hjälp av stora, eller djupa, neurala nätverk. Men det finns en avgörande nackdel med dessa system: de kräver massor av data för att lära sig hur man gör även den enklaste uppgiften.
Denna begränsning beror till stor del på att algoritmerna inte behandlar information som vi gör. Även om djupinlärning är modellerad på ett virtuellt nätverk av neuroner – och tillvägagångssättet har gett mycket imponerande resultat i perceptuella uppgifter – är det en mycket grov imitation av hur hjärnan fungerar. En djupinlärningsalgoritm associerar pixlarna i en bild med en viss karaktär. Hjärnan kan bearbeta vissa visuella stimuli på liknande sätt, men människor använder också högre former av kognitiv funktion för att tolka innehållet i en bild.
Forskarna använde en teknik som de kallar Bayesian program learning framework, eller BPL. I huvudsak genererar programvaran ett unikt program för varje karaktär med hjälp av en imaginär penna. En probabilistisk programmeringsteknik används sedan för att matcha ett program till en viss karaktär, eller för att generera ett nytt program för en obekant. Mjukvaran efterliknar inte hur barn får förmågan att läsa och skriva, utan snarare hur vuxna, som redan vet hur, lär sig att känna igen och återskapa nya karaktärer.
Det viktigaste med probabilistisk programmering – och ganska annorlunda från hur de flesta djuplärande saker fungerar – är att det börjar med ett program som beskriver orsaksprocesserna i världen, säger Tenenbaum. Det vi försöker lära oss är inte en signatur av funktioner, eller ett mönster av funktioner. Vi försöker lära oss ett program som genererar dessa karaktärer.
Tenenbaum och kollegor testade tillvägagångssättet genom att låta både människor och programvaran rita nya karaktärer efter att ha sett ett handskrivet exempel och sedan bad en grupp människor att bedöma om en karaktär skrevs av en person eller en maskin. De fann att färre än 25 procent av domarna kunde se skillnaden.
Teamet säger att tekniken kan utökas till mer praktiska tillämpningar. Det kan till exempel göra det möjligt för datorer att snabbt lära sig att känna igen och använda nya ord i talat språk. Eller det kan göra det möjligt för en dator att känna igen nya instanser av ett visst objekt. Mer generellt pekar tillvägagångssättet på en viktig ny riktning inom artificiell intelligens, eftersom forskare hämtar inspiration från forskning om mänsklig kognition.
Geoffrey Hinton , en professor i psykologi vid University of Toronto som spelade en nyckelroll i utvecklingen av djupinlärning, säger att arbetet är ett viktigt steg för området. Det är ett vackert papper och ett mycket imponerande exempel på att lära av inte många exempel, säger han.
Hinton, som också var doktorandrådgivare för en av tidningens författare, Salakhutdinov, säger att AI-forskare kan lära sig många användbara saker från både neurovetenskap och kognitionsvetenskap. Han föreslår också att metoder som den som utvecklats för handskriftsigenkänning faktiskt kan vara förenliga med djupinlärning. Jag tror att man kan ha det bästa av två världar, säger han.
Gary Marcus , en kognitionsforskare vid New York University och medgrundare av ett företag som heter Geometric Intelligence, som också utvecklar metoder för maskininlärning inspirerade av mänskligt beteende, säger att han inte helt håller med om att det mänskliga sinnet fungerar på det sätt som beskrivs i Vetenskap papper. Men han tycker att tillvägagångssättet visar ett viktigt mål för AI, eftersom det i många situationer inte finns stora mängder data för en maskin att lära sig av.
Problemet med det dominerande paradigmet är att det är väldigt, väldigt datahungrigt, säger Marcus. Detta är ett bevis på att du kan lära dig snabbare. Och jag tror att det är något folk kommer att tänka på mycket.
Marcus tillägger att språk kan vara den mördande appen för sådana system. Många djuplärande forskare arbetar redan med denna utmaning (se Teaching Machines to Understand Us ), men Marcus tror att maskiner kommer att behöva lära sig på mer effektiva och flexibla sätt för att ta itu med den. Den verkliga brytpunkten i AI kommer när maskiner faktiskt kan förstå språk, säger han. Inte bara göra mediokra översättningar, utan verkligen förstå vad du menar.