Gli algoritmi che imparano con meno dati potrebbero espandere la potenza dell'IA

L'anno scorso Microsoft e Google hanno entrambi dimostrato che i loro algoritmi di riconoscimento delle immagini avevano imparato a migliorare gli esseri umani. Hanno creato in modo indipendente un software che potrebbe superare il punteggio umano medio in un test standard che sfida il software a riconoscere le immagini di mille oggetti diversi, dalle moschee alle zanzare.

Ma per diventare abbastanza bravo da sconfiggere l'umanità, il software di ciascuna azienda ha esaminato 1,2 milioni di immagini etichettate. Un bambino può imparare a riconoscere un nuovo tipo di oggetto o animale usando solo un esempio.

Avviare Intelligenza geometrica ha affermato lunedì di aver sviluppato un software di apprendimento automatico che è uno studio molto più rapido. Il CEO Gary Marcus ha detto a Revisione della tecnologia del MIT 's EmTech Digital conferenza sul fatto che il suo software XProp richiede un numero significativamente inferiore di esempi rispetto alla forma dominante di software di apprendimento automatico, noto come deep learning, per apprendere un nuovo compito visivo.

Marcus non ha rivelato i dettagli del funzionamento di XProp. Ma ha mostrato un grafico che confrontava il modo in cui XPop e un programma di apprendimento profondo non specificato si sono comportati in un test che sfida il software a imparare a riconoscere le cifre scritte a mano.

Entrambi i sistemi potrebbero funzionare in modo più accurato con più dati di addestramento. Ma il software XProp di Geometric Intelligence potrebbe fare più esempi di addestramento che gli sono stati forniti.

Ad esempio, dopo aver visto solo circa 150 esempi di ciascuna cifra, riconoscerebbe in modo errato solo il 2% circa delle nuove cifre. Il software di deep learning necessitava di circa 700 esempi di ciascuno per ottenere prestazioni simili.

Ciò non significa che XProp sia necessariamente utile. Riconoscere le cifre scritte a mano è più o meno un problema risolto. I dati sulla formazione sono abbondanti e i migliori risultati pubblicati utilizzando il software di apprendimento profondo hanno tassi di errore di solo circa lo 0,2 per cento . Il vantaggio mostrato da XProp rispetto al software di apprendimento profondo nei dati mostrati da Marcus è diminuito con l'aumento della quantità di dati di allenamento.

Ma Marcus ha detto che XPop ha prodotto risultati simili anche su a database di foto di numeri civici raccolti dal progetto Street View di Google e altri test di riconoscimento dell'immagine, suggerendo che la tecnica dell'azienda potrebbe essere ampiamente applicabile.

C'è un ampio accordo tra i ricercatori sull'apprendimento automatico sul fatto che sono necessarie nuove tecniche che possono funzionare utilizzando meno dati (vedi Questo algoritmo di intelligenza artificiale apprende compiti semplici alla stessa velocità di noi).

Il deep learning è molto affamato di dati: lo stiamo imparando più velocemente, ha affermato Marcus. Quello che abbiamo a volte può dimezzare i dati necessari, a volte di un rapporto maggiore.

Marcus, professore di psicologia alla New York University che ha trascorso decenni a studiare come imparano i bambini, è scettico sul fatto che i recenti progressi in aree come il riconoscimento vocale e delle immagini abilitato dall'apprendimento profondo porteranno necessariamente a progressi in aree più difficili come la comprensione del linguaggio ( vedi Può quest'uomo rendere l'IA più umana?).

Grandi aziende informatiche come Google sono state in grado di creare potenti software di riconoscimento vocale e di immagini spendendo molto per assemblare enormi raccolte di dati di formazione etichettati. Marcus non contesta che la tecnologia porterà a prodotti di successo (vedi Google pensa che tu sia pronto per conversare con i computer). Ma crede che sia necessario creare algoritmi meno affamati di dati se il software vuole avvicinarsi al modo in cui gli esseri umani possono apprendere rapidamente nuove abilità o adattarsi a circostanze mutevoli.

Viviamo in questa era di big data e c'è l'idea che possiamo semplicemente lanciare più dati al problema, ha detto Marcus al pubblico di EmTech. Ma per alcuni problemi non ci sono dati sufficienti.

La lingua è un esempio, ha detto. Con un numero infinito di frasi possibili, non è possibile addestrare un software con esempi etichettati di tutti i possibili significati che deve riconoscere. Marcus ha anche citato le auto a guida autonoma come esempio in cui l'apprendimento automatico affamato di dati potrebbe non essere sufficiente.

Se un'auto deve vivere situazioni più e più volte per padroneggiarle, addestrarla a far fronte a ogni possibile situazione del traffico e del tempo potrebbe richiedere molto tempo, ha affermato.

nascondere