Varför Googles vd är exalterad över att automatisera artificiell intelligens

Sundar Pichai vid företagets årliga utvecklarkonferens i Mountain View, Kalifornien.

Maskininlärningsexperter är en bristvara eftersom företag i många branscher skyndar sig att dra nytta av de senaste framstegen i kraften av artificiell intelligens. Googles VD säger att en lösning på kompetensbristen är att låta maskininlärningsprogramvara ta över en del av arbetet med att skapa maskininlärningsmjukvara.

På Googles årliga utvecklarkonferens idag introducerade Pichai ett projekt som heter AutoML som kommer från företagets Google Brain-forskningsgrupp för artificiell intelligens. Forskare där har visat att deras inlärningsalgoritmer kan automatisera en av de svåraste delarna av jobbet med att designa maskininlärningsprogramvara för att ta sig an en viss uppgift. I vissa fall kom deras automatiserade system med konstruktioner som konkurrerar med eller slår det bästa av mänskliga maskininlärningsexperter.

Det här är en mycket spännande utveckling, berättar Pichai MIT Technology Review , i ett e-postmeddelande. Det skulle kunna accelerera hela fältet och hjälpa oss att ta itu med några av de mest utmanande problemen vi står inför idag.

Pichai hoppas att AutoML-projektet kan utöka antalet utvecklare som kan använda sig av maskininlärning genom att minska den expertis som behövs. Detta skulle passa in i Googles strategi att positionera sina molntjänster som det bästa stället att bygga och vara värd för med maskininlärning. Företaget försöker locka nya kunder på företagsmarknaden för molndatorer, där det släpar efter ledaren Amazon och andraplatsen Microsoft (se Google avslöjar kraftfullt nytt AI-chip och superdator ).

Relaterad berättelse

Relaterad berättelse

AutoML är inriktat på att göra det lättare att använda en teknik som kallas djupinlärning, som Google och andra använder för att driva tal- och bildigenkänning, översättning och robotik (se 10 Breakthrough Technologies 2013: Deep Learning ).

Deep learning lär mjukvara att vara smart genom att skicka data genom lager av matematik löst inspirerade av biologi och kända som artificiella neurala nätverk. Att välja rätt arkitektur för ett neuralt nätverks matematiska nät är en avgörande del av att göra något som fungerar. Men det är inte lätt att ta reda på. Vi gör det utifrån intuition, säger Quoc Le, en maskinlärande forskare på Google som arbetar med AutoML-projektet.

Förra månaden presenterade Le och forskarkollegan Barret Zoph resultat från experiment där de gav ett maskininlärningssystem i uppdrag att ta reda på den bästa arkitekturen att använda för att få programvara att lära sig lösa språk- och bildigenkänningsuppgifter.

När det gäller bilduppgiften konkurrerade deras system med de bästa arkitekturerna designade av mänskliga experter. På språkuppgiften slog det dem.

Kanske viktigare, det kom med arkitekturer av ett slag som forskare tidigare inte ansåg passade för dessa uppgifter. På sätt och vis hittade den något vi inte visste om, säger Le. Det är slående.

Föreställningen om programvara som lär sig att bli bättre på att lära har funnits ett tag. Men som många idéer inom området artificiell intelligens tillåter djupinlärningens kraft nya framsteg. Forskare vid Googles andra AI-forskningsavdelning, DeepMind, i den akademiska världen, och den Elon Musk-stödda ideella organisationen OpenAI undersöker relaterade koncept (se AI Software Learns to Make AI Software ).

På frågan om de är på väg att sätta sig själva utan jobb skrattar Le och Zoph. Just nu är tekniken för dyr för att användas allmänt. Parets experiment band samman 800 kraftfulla grafikprocessorer i flera veckor – och samlade ihop den typ av elräkning som få företag hade råd med för spekulativ forskning.

Ändå har Google nu ett större team som arbetar med AutoML, inklusive hur man gör det mindre resurskrävande. Le tror att det kan hjälpa till att göra video- eller taligenkänning mer exakt, eller till och med leda till framsteg i det svårare problemet med att få programvara att lära sig utan explicit vägledning från människor (se The Missing Link of Artificial Intelligence).

Dölj