AI Yazılımı Daha Az Veriden Öğrenme Olasılıklarını Birleştiriyor

Gamalon tarafından geliştirilen bir uygulama, birkaç örnek gördükten sonra nesneleri tanır. Bir öğrenme programı, çizgiler ve dikdörtgenler gibi daha basit kavramları tanır.

Makine öğrenimi son derece güçlü hale geliyor, ancak aşırı miktarda veri gerektiriyor.

Örneğin, bir kedi meraklısının uzmanlık seviyesine sahip bir kediyi tanımak için derin öğrenme algoritması eğitebilirsiniz, ancak onlarca veya hatta yüz binlerce kedigil görüntüsünü besleyerek çok miktarda varyasyon yakalamanız gerekir. boyut, şekil, doku, aydınlatma ve yönelim. Bir kişi gibi, bir algoritmanın bir kediyi daha az örnekten bir kedi yapan şey hakkında bir fikir geliştirebilmesi çok daha verimli olacaktır.

Boston merkezli bir girişim Gamalon bazı durumlarda bilgisayarların bunu yapmasını sağlayan bir teknoloji geliştirmiştir ve yaklaşıma göre Salı iki ürünü piyasaya sürmektedir.

Altta yatan teknik diğer birçok göreve uygulanabilirse, büyük bir etkisi olabilir. Daha az veriden öğrenme yeteneği, robotların yeni ortamları çok hızlı bir şekilde keşfetmesine ve anlamasına ya da bilgisayarların verilerinizi paylaşmadan tercihlerinizi öğrenmesine izin verebilir.

Gamalon, daha az örnekten öğrenebilen algoritmalar oluşturmak için Bayesian program sentezi adını verdiği bir teknik kullanır. 18. yüzyıl matematikçisi Thomas Bayes'in adını taşıyan Bayes olasılığı, deneyime dayanarak dünya hakkındaki tahminleri geliştirmek için matematiksel bir çerçeve sunmaktadır. Gamalon’un sistemi, belirli bir veri kümesini açıklayan öngörülü bir model oluşturmak için olasılıklı programlama (veya belirli değişkenlerden ziyade olasılıklarla ilgilenen kod) kullanır. Sadece birkaç örnekten, olasılıklı bir program, örneğin, kedilerin kulak, bıyık ve kuyruklara sahip olmasının oldukça muhtemel olduğunu belirleyebilir. Başka örnekler verildikçe, modelin arkasındaki kod yeniden yazılır ve olasılıklar düzeltilir. Bu, göze çarpan bilgiyi verilerden öğrenmek için etkili bir yol sağlar.

Olasılıksal programlama teknikleri bir süredir var. Örneğin, 2015 yılında MIT ve NYU'dan bir ekip, bilgisayarların yalnızca bir örnek gördükten sonra yazılı karakterleri ve nesneleri tanımayı öğrenmelerini sağlamak için olasılıklı yöntemler kullandı (bkz.Bu AI Algoritması Basit Görevleri Bizim Kadar Hızlı Öğreniyor“). Ancak yaklaşım çoğunlukla akademik bir meraktır.

Üstesinden gelinmesi gereken zor hesaplama zorlukları vardır, çünkü program birçok farklı olası açıklamayı dikkate almak zorundadır, Brenden GölüNYU'da 2015 çalışmasına liderlik eden bir araştırma görevlisi.

Yine de, teoride Lake, yaklaşımın önemli bir potansiyele sahip olduğunu, çünkü bir makine öğrenme modeli geliştirmenin yönlerini otomatikleştirebileceğini söylüyor. “Olasılıksal programlama, makine öğrenimini araştırmacılar ve uygulayıcılar için çok daha kolay hale getirecek,” diyor Lake. “Zor (programlama) parçalara otomatik olarak bakma potansiyeli var.”

Kullanımı kolay ve veriye daha az aç makine öğrenme yaklaşımları geliştirmek için kesinlikle önemli teşvikler vardır. Makine öğrenimi şu anda büyük bir ham veri seti edinmeyi ve daha sonra manuel olarak etiketlemeyi içermektedir. Daha sonra öğrenme, büyük veri merkezlerinde, saatlerce veya günlerce paralel olarak çalkalanan birçok bilgisayar işlemcisi kullanılarak yapılır. Gamalon'un kurucu ortağı ve CEO'su Ben Vigoda, “Bunu gerçekten karşılayabilecek çok az büyük şirket var” diyor.

Teorik olarak, Gamalon’un yaklaşımı, birisinin bir makine öğrenme modeli geliştirmesini ve geliştirmesini çok daha kolay hale getirebilir. Derin öğrenme algoritmasını mükemmelleştirmek, çok sayıda matematik ve makine öğrenimi uzmanlığı gerektirir. “Bu sistemleri kurmak için siyah bir sanat var,” diyor Vigoda. Gamalon’un yaklaşımıyla, bir programcı önemli örneklerle besleyerek bir modeli eğitebilir.

Vigoda gösterdi MIT Teknoloji İncelemesi tekniği kullanan bir çizim uygulaması ile bir demo. Google tarafından geçen yıl yayınlanan, bir kişinin çizmeye çalıştığı nesneyi tanımak için derin öğrenme kullananlara benzer (bkz.Yapay Zekayı Anlamak İster misiniz? Sinir Ağı için Ördek Çizmeyi Deneyin“). Ancak Google’ın uygulamasının daha önce gördükleriyle eşleşen bir çizim görmesi gerekirken, Gamalon’un sürümü bir nesnenin temel özelliklerini tanımak için olasılıklı bir program kullanır. Örneğin, bir program bir karenin üzerinde oturan bir üçgenin büyük olasılıkla bir ev olduğunu anlar. Bu, çiziminiz daha önce gördüklerinden çok farklı olsa bile, bu özelliklere sahip olması koşuluyla doğru tahmin edeceği anlamına gelir.

Teknik, önemli kısa vadeli ticari uygulamalara da sahip olabilir. Şirketin ilk ürünleri, metindeki kavramları tanımak için Bayesian program sentezini kullanır.

Gamalon Yapısı olarak adlandırılan bir ürün, ham metinden kavramları normalde mümkün olandan daha verimli bir şekilde çıkarabilir. Örneğin, bir üreticinin televizyon tanımını alabilir ve hangi ürünün tanımlandığını, markayı, ürün adını, çözünürlüğü, boyutu ve diğer özellikleri belirleyebilir. Başka bir ürün olan Gamalon Match, bir mağazanın envanterindeki ürünleri ve fiyatı kategorilere ayırmak için kullanılır. Her durumda, bir ürün veya özellik için farklı kısaltmalar veya kısaltmalar kullanıldığında bile, sistem bunları tanımak için hızlı bir şekilde eğitilebilir.

Vigoda, öğrenme yeteneğinin başka pratik faydaları olacağını düşünüyor. Bir bilgisayar, pratik olmayan miktarda veri veya saatlerce eğitim gerektirmeden bir kullanıcının ilgi alanlarını öğrenebilir. Makine öğrenimi bir kullanıcının akıllı telefonunda veya dizüstü bilgisayarında verimli bir şekilde yapılabiliyorsa, kişisel verilerin büyük şirketlerle paylaşılması gerekmeyebilir. Ve bir robot veya kendi kendini süren bir araba, yüz binlerce örneği görmeye gerek kalmadan yeni bir engel hakkında bilgi sahibi olabilir.

Source link

İlk yorum yapan olun

Bir yanıt bırakın

E-posta hesabınız yayımlanmayacak.


*