211service.com
Direttore AI di Apple: ecco come potenziare il deep learning
Il direttore dell'intelligenza artificiale di Apple, Ruslan Salakhutdinov, ritiene che le reti neurali profonde che hanno prodotto risultati spettacolari negli ultimi anni potrebbero essere potenziate nei prossimi anni con l'aggiunta di memoria, attenzione e conoscenza generale.
Parlando a Revisione della tecnologia del MIT Martedì alla conferenza EmTech Digital a San Francisco, Salakhutdinov ha affermato che questi attributi potrebbero aiutare a risolvere alcuni dei problemi in sospeso nell'intelligenza artificiale.
Salakhutdinov, che mantiene l'incarico di professore associato alla Carnegie Mellon University a Pittsburgh, nel suo intervento ha indicato i limiti della visione artificiale guidata dall'apprendimento profondo e della comprensione del linguaggio naturale.
L'apprendimento profondo, una tecnica che prevede l'utilizzo di un gran numero di neuroni simulati in modo approssimativo disposti in molti strati interconnessi, ha prodotto notevoli progressi nella percezione della macchina negli ultimi anni, ma ci sono molti modi in cui queste reti sono limitate.
Salakhutdinov ha mostrato, ad esempio, come i sistemi di sottotitoli delle immagini basati sulla tecnologia possano etichettare le immagini in modo errato perché tendono a concentrarsi su tutto nell'immagine. Ha quindi indicato una soluzione sotto forma di cosiddetti meccanismi di attenzione, un ritocco al deep learning che è stato sviluppato negli ultimi anni. L'approccio può rimediare a questi errori avendo un sistema incentrato su parti specifiche di un'immagine quando si applicano parole diverse in una didascalia. Lo stesso approccio può anche aiutare a migliorare la comprensione del linguaggio naturale, consentendo a una macchina di concentrarsi sulla parte rilevante di una frase per dedurne il significato.
Una tecnica chiamata reti di memoria , sviluppato dai ricercatori di Facebook, può migliorare il modo in cui le macchine parlano con le persone. Come suggerisce il nome, l'approccio aggiunge una componente di memoria a lungo termine alle reti neurali in modo che ricordino la storia di una chat.
È stato dimostrato che le reti di memoria migliorano anche un altro tipo di intelligenza artificiale, noto come apprendimento per rinforzo. Ad esempio, due ricercatori della CMU hanno recentemente mostrato come questo potrebbe creare un sistema più intelligente algoritmo di gioco . Lo hanno dimostrato anche i ricercatori di DeepMind, una sussidiaria di Alphabet focalizzata sull'intelligenza artificiale modi per costruire e accedere ai sistemi di deep learning una forma di memoria
L'apprendimento per rinforzo sta rapidamente emergendo come un modo prezioso per risolvere problemi difficili da programmare nella robotica e nella guida automatizzata. Era uno di Revisione della tecnologia del MIT Le 10 tecnologie rivoluzionarie del 2017 .
Un'altra interessante area di ricerca futura, ha affermato Salakhutdinov, sarebbe trovare modi per combinare fonti di conoscenza costruite a mano con il deep learning. Ha indicato database di conoscenza generale come Base libera e repository di significato di parole come Rete di parole .
Proprio come gli esseri umani fanno molto affidamento sulla conoscenza generale quando analizzano la lingua o interpretano una scena visiva, questo potrebbe aiutare a rendere i sistemi di intelligenza artificiale più intelligenti, ha affermato Salakhutdinov. Come possiamo incorporare tutta quella conoscenza precedente nel deep learning? ha detto durante il suo discorso. Questa è una grande sfida.
Salakhutdinov è intervenuto durante una sessione che ha riunito ricercatori di diverse scuole di intelligenza artificiale. Un tema comune tra i relatori era la necessità di approcci diversi per portare l'IA al livello successivo.
Durante la sessione Pietro domeniche , un professore dell'Università di Washington che studia diversi approcci di apprendimento automatico, ha affermato che è anche necessario continuare a cercare approcci completamente nuovi all'IA. C'è una scuola di pensiero nell'apprendimento automatico secondo cui non abbiamo bisogno di nuovi algoritmi fantasiosi, abbiamo solo bisogno di più dati, ha detto. Penso che ci siano idee davvero profonde e fondamentali che devono essere scoperte prima di poter davvero risolvere l'IA.