Vor kurzem hat ein Unternehmen eine Technologie entwickelt, mit der eine Maschine effektiv aus einer kleinen Anzahl von Beispielen lernen und ihr Wissen verbessern kann, sobald weitere Beispiele verfügbar sind. Es kann überall angewendet werden, z. B. um einem Smartphone das Erkennen von Benutzerpräferenzen beizubringen oder autonomen Motorsystemen dabei zu helfen, Hindernisse schnell zu erkennen.
Das alte Sprichwort „Wiederholung ist die Mutter des Lernens“gilt perfekt für Maschinen. Viele moderne künstliche Intelligenzsysteme, die in Geräten arbeiten, sind auf Wiederholungen im Lernprozess angewiesen. Deep-Learning-Algorithmen ermöglichen es KI-Geräten, Wissen aus Datensätzen zu extrahieren und das Gelernte dann auf bestimmte Situationen anzuwenden. Wenn Sie beispielsweise einem KI-System zuführen, dass der Himmel normalerweise blau ist, erkennt es später den Himmel unter den Bildern.
Mit dieser Methode können komplexe Arbeiten durchgeführt werden, die jedoch zu wünschen übrig lassen. Aber könnten Sie die gleichen Ergebnisse erzielen, wenn Sie das KI-Deep-Learning-System anhand weniger Beispiele ausführen? Das in Boston ansässige Startup Gamalon hat eine neue Technologie entwickelt, um diese Frage zu beantworten. Diese Woche wurden zwei Produkte vorgestellt, die einen neuen Ansatz verfolgen.
Gamalon verwendet Bayes'sche Programmiertechniken, Software-Synthese. Es basiert auf der Mathematik des 18. Jahrhunderts, die vom Mathematiker Thomas Bayes entwickelt wurde. Die Bayes'sche Wahrscheinlichkeit wird verwendet, um mithilfe von Erfahrung verfeinerte Vorhersagen über die Welt zu treffen. Diese Form der probabilistischen Programmierung - bei der der Code eher wahrscheinliche als bestimmte Werte verwendet - erfordert weniger Beispiele, um beispielsweise darauf schließen zu können, dass der Himmel blau mit weißen Wolkenflecken ist. Das Programm verfeinert auch sein Wissen, wenn Sie die Beispiele weiter untersuchen, und sein Code kann neu geschrieben werden, um die Wahrscheinlichkeiten zu optimieren.
Probabilistische Programmierung
Während dieser neue Programmieransatz noch Herausforderungen zu lösen hat, bietet er ein erhebliches Potenzial zur Automatisierung der Entwicklung von Algorithmen für maschinelles Lernen. „Probabilistisches Programmieren wird Forschern und Praktikern das maschinelle Lernen erleichtern“, erklärt Brendan Lake, ein Forscher der New York University, der 2015 an probabilistischen Programmiertechniken gearbeitet hat. "Er hat die Fähigkeit, sich selbst um die komplexen Teile der Programmierung zu kümmern."
CEO CEO und Mitbegründer Ben Vigoda zeigte MIT Technology Review eine Demo-Zeichenanwendung, die ihre neue Methode verwendet. Es ähnelt dem, was Google im letzten Jahr veröffentlicht hat, da es vorhersagt, was eine Person zu zeichnen versucht. Wir haben ausführlicher darüber geschrieben. Im Gegensatz zu Googles Version, die sich auf bereits gesehene Skizzen stützt, stützt sich Gamalon auf probabilistische Programmierung, um die Hauptmerkmale eines Objekts zu identifizieren. Selbst wenn Sie eine Form zeichnen, die sich von der in der Datenbank der Anwendung unterscheidet, werden korrekte Vorhersagen getroffen, sofern bestimmte Merkmale identifiziert werden können, z. B. ein Quadrat mit einem Dreieck oben (ein Haus).
Werbevideo:
Die beiden von Gamalon vorgestellten Produkte zeigen, dass ihre Methoden in naher Zukunft kommerzielle Anwendungen finden könnten. Das Produkt von Gamalon Structure verwendet die Bayes'sche Softwaresynthese, um Konzepte aus einfachem Text zu erkennen, und übertrifft bereits andere Programme hinsichtlich der Effizienz. Nachdem sie beispielsweise eine Beschreibung eines Fernsehgeräts von einem Hersteller erhalten hat, kann sie dessen Marke, Produktnamen, Bildschirmauflösung, Größe und andere Merkmale bestimmen. Eine andere App - Gamalon Match - verteilt Produkte und Preise im Ladenbestand. In beiden Fällen lernt das System schnell, Variationen in Akronymen oder Abkürzungen zu erkennen.
Vigoda stellt fest, dass es andere Verwendungsmöglichkeiten gibt. Wenn beispielsweise Smartphones oder Laptops mit Bayesianischem maschinellem Lernen ausgestattet sind, müssen sie keine persönlichen Daten an große Unternehmen weitergeben, um die Interessen der Benutzer zu ermitteln. Berechnungen können effizient im Gerät durchgeführt werden. Autonome Autos können mit dieser Lernmethode auch lernen, sich viel schneller an ihre Umgebung anzupassen.
Wenn Sie künstliche Intelligenz lehren, selbstständig zu lernen, muss sie nicht an der Leine geführt werden.
ILYA KHEL
