AI-software lærer at lave AI-software

Fremskridt inden for kunstig intelligens får nogle mennesker til at bekymre sig om, at software vil tage job som at køre lastbiler væk fra mennesker. Nu finder førende forskere ud af, at de kan lave software, der kan lære at udføre en af ​​de sværeste dele af deres eget job - opgaven med at designe software til maskinlæring.

I et eksperiment fik forskere ved Google Brain-forskningsgruppen for kunstig intelligens softwaredesignet et maskinlæringssystem til at tage en test, der bruges til at benchmarke software, der behandler sprog. Hvad det kom frem til overgået tidligere offentliggjorte resultater fra software designet af mennesker.

I de seneste måneder har flere andre grupper også rapporteret fremskridt med at få læringssoftware til at lave læringssoftware. De omfatter forskere ved nonprofit forskningsinstitut OpenAI (som blev medstiftet af Elon Musk), MED , University of California, Berkeley , og Googles anden kunstig intelligens-forskningsgruppe, DeepMind .



Hvis selvstartende AI-teknikker bliver praktiske, kan de øge det tempo, hvormed maskinlæringssoftware implementeres i hele økonomien. Virksomheder skal i øjeblikket betale en præmie for maskinlæringseksperter, som er en mangelvare.

Jeff Dean, der leder Google Brain-forskningsgruppen, tænkte i sidste uge over, at noget af sådanne arbejderes arbejde kunne fortrænges af software. Han beskrev, hvad han kaldte automatiseret maskinlæring som en af ​​de mest lovende forskningsmuligheder, hans team udforskede.

I øjeblikket er den måde, du løser problemer på, at du har ekspertise og data og beregninger, sagde Dean, på AI Frontiers konference i Santa Clara, Californien. Kan vi eliminere behovet for en masse maskinlæringsekspertise?

En sæt af eksperimenter fra Googles DeepMind-gruppe foreslår, at det, forskerne betegner at lære at lære, også kan hjælpe med at mindske problemet med maskinlæringssoftware, der skal forbruge enorme mængder data på en specifik opgave for at udføre den godt.

Forskerne udfordrede deres software til at skabe læringssystemer til samlinger af flere forskellige, men relaterede problemer, såsom at navigere i labyrinter. Det kom op med designs, der viste en evne til at generalisere og optage nye opgaver med mindre ekstra træning, end det ville være normalt.

Ideen om at skabe software, der lærer at lære, har eksisteret i et stykke tid, men tidligere eksperimenter producerede ikke resultater, der kunne måle sig med, hvad mennesker kunne finde på. Det er spændende, siger Yoshua Bengio , en professor ved University of Montreal, som tidligere udforskede ideen i 1990'erne.

Bengio siger, at den mere potente computerkraft, der nu er tilgængelig, og fremkomsten af ​​en teknik kaldet deep learning, som har udløst begejstring omkring AI, er det, der får tilgangen til at fungere. Men han bemærker, at det indtil videre kræver så ekstrem computerkraft, at det endnu ikke er praktisk at tænke på at lette belastningen eller delvist erstatte maskinlæringseksperter.

Google Brains forskere beskriver brugen af ​​800 højtydende grafikprocessorer til at drive software, der kom med designs til billedgenkendelsessystemer, der kunne måle sig med det bedste designet af mennesker.

Otkrist Gupta, en forsker ved MIT Media Lab, mener, at det vil ændre sig. Han og MIT-kolleger planlægger at open source softwaren bag deres egne eksperimenter , hvor læringssoftware designede deep-learning-systemer, der matchede menneskeskabte på standardtests til objektgenkendelse.

Gupta blev inspireret til at arbejde på projektet af frustrerende timer brugt på at designe og teste maskinlæringsmodeller. Han mener, at virksomheder og forskere er godt motiverede til at finde måder at gøre automatiseret maskinlæring praktisk på.

At lette byrden for dataforskeren er en stor gevinst, siger han. Det kan gøre dig mere produktiv, gøre dig til bedre modeller og gøre dig fri til at udforske ideer på højere niveau.

skjule