211service.com
Il software AI si destreggia tra le probabilità di imparare da meno dati
Un'app sviluppata da Gamalon riconosce gli oggetti dopo aver visto alcuni esempi. Un programma di apprendimento riconosce concetti più semplici come linee e rettangoli.
L'apprendimento automatico sta diventando estremamente potente, ma richiede quantità estreme di dati.
Ad esempio, puoi addestrare un algoritmo di apprendimento profondo per riconoscere un gatto con il livello di esperienza di un appassionato di gatti, ma dovrai dargli da mangiare decine o addirittura centinaia di migliaia di immagini di felini, catturando un'enorme quantità di variazioni per dimensioni, forma, consistenza, illuminazione e orientamento. Sarebbe molto più efficiente se, un po' come una persona, un algoritmo potesse sviluppare un'idea su ciò che rende un gatto un gatto da un minor numero di esempi.
Una startup con sede a Boston ha chiamato Gamalon ha sviluppato una tecnologia che consente ai computer di farlo in alcune situazioni e sta rilasciando due prodotti martedì in base all'approccio.
Se la tecnica sottostante può essere applicata a molte altre attività, potrebbe avere un grande impatto. La capacità di imparare da meno dati potrebbe consentire ai robot di esplorare e comprendere nuovi ambienti molto rapidamente, oppure consentire ai computer di conoscere le tue preferenze senza condividere i tuoi dati.
Gamalon utilizza una tecnica che chiama sintesi di programmi bayesiana per costruire algoritmi in grado di apprendere da un minor numero di esempi. La probabilità bayesiana, dal nome del matematico del 18° secolo Thomas Bayes, fornisce un quadro matematico per perfezionare le previsioni sul mondo basate sull'esperienza. Il sistema di Gamalon utilizza la programmazione probabilistica, o un codice che si occupa di probabilità anziché di variabili specifiche, per costruire un modello predittivo che spieghi un particolare set di dati. Da pochi esempi, un programma probabilistico può determinare, ad esempio, che è altamente probabile che i gatti abbiano orecchie, baffi e coda. Man mano che vengono forniti ulteriori esempi, il codice alla base del modello viene riscritto e le probabilità ottimizzate. Ciò fornisce un modo efficiente per apprendere le conoscenze salienti dai dati.
Le tecniche di programmazione probabilistica sono in circolazione da un po'. Nel 2015, ad esempio, un team del MIT e della NYU ha utilizzato metodi probabilistici per far sì che i computer imparassero a riconoscere caratteri e oggetti scritti dopo aver visto solo un esempio (vedi This Algorithm AI Learns Simple Tasks Fast as We Do ). Ma l'approccio è stato principalmente una curiosità accademica.
Ci sono sfide computazionali difficili da superare, perché il programma deve considerare molte diverse possibili spiegazioni, dice Lago Brenda , ricercatore presso la NYU che ha guidato il lavoro nel 2015.
Tuttavia, in teoria, afferma Lake, l'approccio ha un potenziale significativo perché può automatizzare gli aspetti dello sviluppo di un modello di apprendimento automatico. La programmazione probabilistica renderà l'apprendimento automatico molto più semplice per ricercatori e professionisti, afferma Lake. Ha il potenziale per prendersi cura delle parti difficili [di programmazione] automaticamente.
Ci sono certamente incentivi significativi per sviluppare approcci di apprendimento automatico più facili da usare e meno affamati di dati. L'apprendimento automatico attualmente implica l'acquisizione di un ampio set di dati grezzi e spesso l'etichettatura manuale. L'apprendimento viene quindi svolto all'interno di grandi data center, utilizzando molti processori di computer che rimescolano in parallelo per ore o giorni. Ci sono solo poche aziende davvero grandi che possono davvero permettersi di farlo, afferma Ben Vigoda, cofondatore e CEO di Gamalon.
In teoria, l'approccio di Gamalon potrebbe anche rendere molto più facile per qualcuno costruire e perfezionare un modello di apprendimento automatico. Perfezionare un algoritmo di deep learning richiede una grande esperienza matematica e di apprendimento automatico. C'è un'arte nera nell'impostazione di questi sistemi, dice Vigoda. Con l'approccio di Gamalon, un programmatore potrebbe addestrare un modello alimentando esempi significativi.
Vigoda ha mostrato Revisione della tecnologia del MIT una demo con un'app di disegno che utilizza la tecnica. È simile a quello pubblicato l'anno scorso da Google, che utilizza il deep learning per riconoscere l'oggetto che una persona sta cercando di disegnare (vedi Vuoi capire l'IA? Prova a disegnare un'anatra per una rete neurale). Ma mentre l'app di Google ha bisogno di vedere uno schizzo che corrisponda a quelli che ha visto in precedenza, la versione di Gamalon utilizza un programma probabilistico per riconoscere le caratteristiche chiave di un oggetto. Ad esempio, un programma comprende che un triangolo che si trova in cima a un quadrato è molto probabilmente una casa. Ciò significa che anche se il tuo schizzo è molto diverso da quello che ha visto prima, a condizione che abbia queste caratteristiche, indovinerà correttamente.
La tecnica potrebbe avere anche importanti applicazioni commerciali a breve termine. I primi prodotti dell'azienda utilizzano la sintesi del programma bayesiano per riconoscere i concetti nel testo.
Un prodotto, chiamato Gamalon Structure, può estrarre concetti dal testo grezzo in modo più efficiente di quanto sia normalmente possibile. Ad esempio, può prendere la descrizione del produttore di un televisore e determinare quale prodotto viene descritto, il marchio, il nome del prodotto, la risoluzione, le dimensioni e altre caratteristiche. Un altro prodotto, Gamalon Match, viene utilizzato per classificare i prodotti e il prezzo nell'inventario di un negozio. In ogni caso, anche quando per un prodotto o una caratteristica vengono utilizzati acronimi o abbreviazioni diversi, il sistema può essere rapidamente addestrato a riconoscerli.
Vigoda crede che la capacità di apprendere avrà altri vantaggi pratici. Un computer potrebbe conoscere gli interessi di un utente senza richiedere una quantità poco pratica di dati o ore di formazione. Potrebbe non essere necessario condividere i dati personali con le grandi aziende, se l'apprendimento automatico può essere eseguito in modo efficiente sullo smartphone o sul laptop di un utente. E un robot o un'auto a guida autonoma potrebbero conoscere un nuovo ostacolo senza dover vedere centinaia di migliaia di esempi.