Nedavno je tvrtka razvila tehnologiju koja omogućuje stroju da učinkovito uči iz malog broja primjera i usvaja svoje znanje s obzirom na to da više primjera postaje dostupno. Može se primijeniti bilo gdje, poput učenja pametnog telefona da prepozna korisničke sklonosti ili pomoći da autonomni motorni sustavi brzo prepoznaju prepreke.
Stara poslovica „ponavljanje je majka učenja“savršeno se primjenjuje na strojeve. Mnogi moderni sustavi umjetne inteligencije koji rade na uređajima oslanjaju se na ponavljanje u procesu učenja. Algoritmi dubokog učenja omogućuju AI uređajima da izvuku znanje iz skupova podataka, a zatim primijene ono što su naučili u određenim situacijama. Na primjer, ako nahranite AI sustav koji je nebo obično plav, kasnije će nebo prepoznati među slikama.
Pomoću ove metode može se obaviti složeni posao, ali on zasigurno ostavlja mnogo toga što treba poželjeti. Ali možete li dobiti iste rezultate ako pokrenete AI sustav dubokog učenja kroz manje primjera? Startup Gamalon sa sjedištem u Bostonu razvio je novu tehnologiju kako bi pokušao odgovoriti na to pitanje, a ovaj je tjedan predstavio dva proizvoda koja uzimaju novi pristup.
Gamalon koristi Bayesove tehnike programiranja, sintezu softvera. Temelji se na matematici iz 18. stoljeća koju je razvio matematičar Thomas Bayes. Bayesova vjerojatnost koristi se za izradu pročišćenih predviđanja o svijetu koristeći iskustvo. Ovaj oblik vjerojatnog programiranja - gdje se kod koristi vjerojatnije, a ne određene vrijednosti - zahtijeva manje primjera da se zaključi, na primjer, da je nebo plavo s mrljama bijelih oblaka. Program također usavršava svoje znanje dok dalje istražujete primjere, a njegov se kôd može prepisati kako bi se prilagodile vjerojatnosti.
Vjerojatni programiranje
Iako ovaj novi pristup programiranju još uvijek ima svoje izazove koje treba riješiti, on ima značajan potencijal za automatizaciju razvoja algoritama strojnog učenja. "Vjerodostojno programiranje olakšat će strojno učenje istraživačima i praktičarima", objašnjava Brendan Lake, istraživač sa Sveučilišta u New Yorku koji je u 2015. radio na tehnikama vjerojatnog programiranja. "Ima sposobnost da samostalno brine o složenim dijelovima programiranja."
Generalni direktor i suosnivač Ben Vigoda pokazao je MIT Technology Review demo aplikaciju za crtanje koja koristi njihovu novu metodu. Slično je s onim što je Google objavio prošle godine po tome što predviđa što osoba pokušava nacrtati. O tome smo pisali detaljnije. Ali za razliku od Googleove verzije, koja se oslanja na već viđene skice, Gamalon se oslanja na vjerojatni programiranje kako bi pokušao identificirati ključne značajke objekta. Dakle, čak i ako nacrtate oblik koji se razlikuje od oblika u bazi podataka aplikacije, sve dok može identificirati specifične značajke - na primjer, kvadrat s trokutom na vrhu (kuća) - to će dati točne predviđanja.
Promotivni video:
Dva proizvoda koja je predstavio Gamalon pokazuju kako bi njihove metode u skoroj budućnosti mogle pronaći komercijalnu primjenu. Proizvod Gamalon Structure koristi Bayesovu sintezu softvera da prepozna koncepte iz običnog teksta i već nadmašuje ostale programe u pogledu učinkovitosti. Na primjer, kad je dobila opis televizora od proizvođača, može odrediti njegovu marku, naziv proizvoda, rezoluciju zaslona, veličinu i druge značajke. Još jedna aplikacija - Gamalon Match - distribuira proizvode i cijene u prodavaonici. U oba slučaja sustav se brzo uči prepoznati razlike u akronimima ili skraćenicama.
Vigoda napominje da postoje i druge moguće uporabe. Na primjer, ako su pametni telefoni ili prijenosna računala opremljeni Bayesovim strojnim učenjem, oni neće morati dijeliti osobne podatke s velikim tvrtkama kako bi utvrdili interese korisnika; proračuni se mogu učinkovito izvršiti unutar uređaja. Autonomni automobili također mogu brže naučiti prilagođavati se svom okruženju pomoću ove metode učenja.
Ako umjetnu inteligenciju naučite samostalno učiti, to ne mora biti na uzici.
ILYA KHEL