211service.com
Tre domande con l'uomo che guida il nuovo sforzo di intelligenza artificiale di Baidu
L'intelligenza artificiale è guidata dall'obiettivo lontano di far sì che il software corrisponda agli umani in compiti importanti. Dopo aver visto i risultati di un nuovo campo chiamato deep learning, che prevede l'elaborazione di grandi quantità di dati utilizzando reti simulate di milioni di neuroni interconnessi, alcuni esperti sono arrivati a credere che questo obiettivo non sia poi così lontano (vedi Deep Learning e Facebook crea Software che abbina i volti quasi quanto te).
La scorsa settimana, Baidu, la più grande società di ricerca Web cinese, si è unita ai giganti tecnologici statunitensi che scommettono molto sul deep learning aprendo un nuovo laboratorio della Silicon Valley dedicato all'approccio (vedi il gigante della ricerca cinese Baidu assume l'uomo dietro il 'cervello di Google'). Adam Coates, che guida la ricerca nel nuovo laboratorio, ha parlato con Revisione della tecnologia del MIT 's Tom Simonite su come il deep learning potrebbe avvicinare il software alle prestazioni umane in alcune attività.
L'esperimento di Google Brain, in cui una grande rete neurale ha imparato a riconoscere gatti e altri oggetti semplicemente guardando le foto di YouTube, è spesso considerato una prova fondamentale del potere del deep learning (vedi Software da autodidatta ). Cosa rende quel progetto così importante?
La cosa bella del risultato di Google è che nessuno deve dirgli cos'è un oggetto. Abbiamo così tante prove dalle neuroscienze che questo è un modo cruciale per conoscere come funziona il mondo. Ma è anche un imperativo ingegneristico. Non posso programmare abbastanza regole nel computer per fargli capire il mondo; ora possiamo provare a fargli imparare le regole da soli.
Il sistema di Google non è stato all'altezza delle prestazioni umane, nella migliore delle ipotesi rilevando volti umani solo l'81% delle volte. L'approccio più consolidato dell'apprendimento supervisionato, in cui al software vengono forniti dati etichettati manualmente da cui apprendere, può fare di meglio. Sappiamo come ottenere sistemi non supervisionati o autodidatti per migliorare?
Come farlo ripagare al livello che vogliamo, [raggiungere] prestazioni a livello umano, è molto impegnativo.
Se mi dai molti esempi di ciò che vuoi prevedere, posso addestrare il software per farlo bene. La sfida è come avere successo quando non hai molti esempi. Gli esseri umani non devono vedere un milione di gatti per capire cos'è uno. Potremmo usare una combinazione di apprendimento supervisionato e non supervisionato. Capire come fondere insieme queste due idee sarà cruciale.
A Stanford, ispirato dall'esperimento Google Brain, hai sviluppato una rete neurale ancora più grande. I cervelli più grandi saranno automaticamente più intelligenti?
Per la portata della sfida che stiamo esaminando, le prestazioni a livello umano, è molto chiaro che per una piccola rete neurale non c'è speranza. Quelli all'avanguardia hanno centinaia di milioni di connessioni. Puoi fare molto con quello; riconoscere molti oggetti, per esempio.
[Ma] non sembra essere così semplice come rendere la rete neurale molto più grande. Il risultato di Google Brain è stato costruito su un enorme sistema distribuito con molti core della CPU [16.000]. Abbiamo scoperto che se metti insieme molte GPU [processori grafici specializzati] potremmo creare una rete neurale molto più grande: 10 miliardi di nodi, con 16 macchine invece di 1.000.
Abbiamo usato lo stesso benchmark [immagini dai video di YouTube] che ha fatto il team di Google. Ma anche se abbiamo potuto addestrare una rete neurale molto più grande, non abbiamo necessariamente ottenuto un rilevatore di gatti migliore. In questo momento possiamo eseguire reti neurali più grandi di quanto sappiamo cosa fare.
[Al laboratorio Baidu] vogliamo costruire un framework per eseguire esperimenti abbastanza grandi da testare tutte le variazioni negli algoritmi che potrebbero migliorare universalmente le prestazioni.