Effektivare maskininlärning kan vända på AI-paradigmet

Yaopai





I januari lanserade Google en ny tjänst som heter Cloud AutoML , som kan automatisera några knepiga aspekter av att designa programvara för maskininlärning. Under arbetet med detta projekt behövde företagets forskare ibland köra så många som 800 grafikkretsar unisont för att träna sina kraftfulla algoritmer.

Till skillnad från människor, som kan känna igen kaffekoppar från att se ett eller två exempel, behöver AI-nätverk baserade på simulerade neuroner se tiotusentals exempel för att identifiera ett objekt. Föreställ dig att du försöker lära dig att känna igen varje föremål i din miljö på det sättet, och du börjar förstå varför AI-programvara kräver så mycket datorkraft.

Om forskare kunde designa neurala nätverk som kunde tränas för att utföra vissa uppgifter med bara en handfull exempel, skulle det vända upp hela paradigmet, sa Charles Bergan, vice vd för teknik på Qualcomm, till publiken kl. MIT Technology Review EmTech China-konferens tidigare i veckan.



Relaterad berättelse

Relaterad berättelse

Om neurala nätverk skulle bli kapabla till engångsinlärning, sa Bergan, skulle den besvärliga processen att mata in mängder av data till algoritmer för att träna dem bli föråldrad. Detta kan få allvarliga konsekvenser för hårdvaruindustrin, eftersom både befintliga teknikjättar och nystartade företag för närvarande fokuserar på att utveckla kraftfullare processorer designade för att köra dagens dataintensiva AI-algoritmer.

Det skulle också innebära mycket effektivare maskininlärning. Medan neurala nätverk som kan tränas med hjälp av små datamängder inte är verklighet ännu, pågår det redan forskning om att göra algoritmer mindre utan att tappa exakthet, sa Bill Dally, chefsforskare på Nvidia, vid konferensen.

Nvidia-forskare använder en process som kallas nätverksbeskärning för att göra ett neuralt nätverk mindre och mer effektivt att köra genom att ta bort nervceller som inte bidrar direkt till produktionen. Det finns sätt att träna som kan minska komplexiteten i träningen med enorma mängder, sa Dally.



Dölj