Recent, o companie a dezvoltat o tehnologie care permite unei mașini să învețe eficient din număr mic de exemple și să-și perfecționeze cunoștințele pe măsură ce mai multe exemple devin disponibile. Poate fi aplicat oriunde, cum ar fi învățarea unui smartphone pentru a recunoaște preferințele utilizatorului sau pentru a ajuta sistemele auto cu motor să identifice rapid obstacolele.
Vechiul zical „repetiția este mama învățării” se aplică perfect mașinilor. Multe sisteme moderne de inteligență artificială care lucrează pe dispozitive se bazează pe repetarea în procesul de învățare. Algoritmii de învățare profundă permit dispozitivelor AI să extragă cunoștințe din seturi de date și apoi aplică ceea ce au învățat în situații specifice. De exemplu, dacă alimentați un sistem AI că cerul este de obicei albastru, acesta va recunoaște ulterior cerul printre imagini.
Lucrările complexe se pot face folosind această metodă, dar cu siguranță lasă mult de dorit. Dar puteți obține aceleași rezultate dacă folosiți sistemul AI de învățare profundă prin mai puține exemple? Gamalon, cu sediul în Boston, a dezvoltat o nouă tehnologie pentru a încerca să răspundă la această întrebare, iar săptămâna aceasta a prezentat două produse care adoptă o nouă abordare.
Gamalon folosește tehnici Bayesiene de programare, sinteză software. Se bazează pe matematica din secolul 18 dezvoltată de matematicianul Thomas Bayes. Probabilitatea bayesiană este utilizată pentru a face predicții rafinate despre lume, folosind experiență. Această formă de programare probabilistică - unde codul folosește valori probabile mai degrabă decât valori specifice - necesită mai puține exemple pentru a deduce, de exemplu, că cerul este albastru cu petele de nori albi. Programul își îmbunătățește, de asemenea, cunoștințele pe măsură ce explorați în continuare exemplele, iar codul său poate fi rescris pentru a regla probabilitățile.
Programare probabilistă
Deși această nouă abordare a programării are încă probleme de rezolvat, aceasta are un potențial semnificativ de automatizare a dezvoltării algoritmilor de învățare automată. „Programarea probabilistică va facilita învățarea automată a cercetătorilor și practicienilor”, explică Brendan Lake, un cercetător al Universității din New York, care a lucrat la tehnici de programare probabilistică în 2015. "Are capacitatea de a avea grijă singur de părțile complexe ale programării."
CEO-ul și co-fondatorul CEO Ben Vigoda au arătat MIT Technology Review o aplicație de desenare demo care folosește noua lor metodă. Este similar cu ceea ce Google a lansat anul trecut prin faptul că prezice ceea ce o persoană încearcă să deseneze. Am scris despre asta mai detaliat. Spre deosebire de versiunea Google, care se bazează pe schițe deja văzute, Gamalon se bazează pe programarea probabilistică pentru a încerca să identifice caracteristicile cheie ale unui obiect. Astfel, chiar dacă desenați o formă diferită de cele din baza de date a aplicației, atât timp cât poate identifica caracteristici specifice - de exemplu, un pătrat cu un triunghi în partea de sus (o casă) - va face predicții corecte.
Video promotional:
Cele două produse prezentate de Gamalon arată că metodele lor pot găsi aplicații comerciale în viitorul apropiat. Produsul Gamalon Structure utilizează sinteza software-ului Bayesian pentru a recunoaște conceptele din textul simplu și deja depășește alte programe din punct de vedere al eficienței. De exemplu, după ce a primit o descriere a unui televizor de la un producător, ea poate determina marca acestuia, numele produsului, rezoluția ecranului, dimensiunea și alte caracteristici. O altă aplicație - Gamalon Match - distribuie produsele și prețurile în inventarul magazinelor. În ambele cazuri, sistemul învață rapid să recunoască variațiile în acronime sau prescurtări.
Vigoda observă că există și alte utilizări posibile. De exemplu, dacă smartphone-urile sau laptopurile sunt echipate cu mașini Bayesiene, nu vor trebui să partajeze date personale cu companii mari pentru a determina interesele utilizatorilor; calculele pot fi efectuate eficient în interiorul dispozitivului. Mașinile autonome pot învăța, de asemenea, să se adapteze la mediul lor mult mai rapid folosind această metodă de învățare.
Dacă înveți inteligența artificială să învețe de unul singur, nu trebuie să fie în pas.
ILYA KHEL
