Ett litet team av studenter AI-kodare slår Googles maskininlärningskod

Ett rutnätskollage med tusentals fotografier Andrej Karpathy

Studenter från Fast.ai , en liten organisation som kör gratis maskininlärningskurser online, har precis skapat en AI-algoritm som överträffar kod från Googles forskare, enligt ett viktigt riktmärke.

Fast.ai:s framgång är viktig eftersom det ibland verkar som om bara de med enorma resurser kan göra avancerad AI-forskning.

Fast.ai består av deltidsstudenter som är angelägna om att prova på maskininlärning – och kanske övergå till en karriär inom datavetenskap. Den hyr åtkomst till datorer i Amazons moln.

Men Fast.ais team byggde en algoritm som slår Googles kod, mätt med ett riktmärke som heter DAWNBench , från forskare vid Stanford. Detta riktmärke använder en vanlig bildklassificeringsuppgift för att spåra hastigheten för en djupinlärningsalgoritm per dollar av beräkningskraft.

Googles forskare toppade den tidigare rankingen, i en kategori för träning på flera maskiner, med hjälp av en specialbyggd samling sina egna chips designade speciellt för maskininlärning. Fast.ai-teamet kunde producera något ännu snabbare, på ungefär likvärdig hårdvara.

Toppmoderna resultat är inte storföretagens exklusiva domän, säger Jeremy Howard, en av Fast.ais grundare och en framstående AI-entreprenör. Howard och hans medgrundare, Rachel Thomas, skapade Fast.ai för att göra AI mer tillgängligt och mindre exklusivt.

Howards team kunde konkurrera med sådana som Google genom att göra många enkla saker, som beskrivs i en blogginlägg . Dessa inkluderar att se till att bilderna som matas till dess träningsalgoritm beskärs korrekt: Det här är de uppenbara, dumma saker som många forskare inte ens skulle tänka på att göra, säger Howard.

Koden som behövs för att köra inlärningsalgoritmen på flera maskiner utvecklades av en samarbetspartner vid Pentagons nya Försvarets innovationsenhet , skapat nyligen för att hjälpa militären att arbeta med AI och maskininlärning.

Matei Zaharia , professor vid Stanford University och en av skaparna av DAWNBench, säger att Fast.ai-arbetet är imponerande, men noterar att stora mängder data och betydande beräkningsresurser fortfarande är nyckeln för många AI-uppgifter.

Fast.ai-algoritmen tränades på ImageNet-databasen på 18 minuter med hjälp av 16 Amazon Web Service-instanser, till en total beräkningskostnad på cirka 40 USD. Howard hävdar att detta är cirka 40 procent bättre än Googles insats, även om han medger att jämförelse är knepigt eftersom hårdvaran är annorlunda.

Jack Clark , direktör för kommunikation och policy på OpenAI, en ideell organisation, säger att Fast.ai har producerat värdefullt arbete inom andra områden som språkförståelse. Sådana här saker gynnar alla eftersom de ökar den grundläggande förtrogenhet hos människor med AI-teknik, säger Clark.

Dölj