211service.com
KI-Software jongliert mit Wahrscheinlichkeiten, um aus weniger Daten zu lernen
Eine von Gamalon entwickelte App erkennt Objekte, nachdem sie einige Beispiele gesehen hat. Ein Lernprogramm erkennt einfachere Konzepte wie Linien und Rechtecke.
Maschinelles Lernen wird extrem leistungsfähig, erfordert jedoch extreme Datenmengen.
Sie können beispielsweise einen Deep-Learning-Algorithmus trainieren, um eine Katze mit dem Fachwissen eines Katzenliebhabers zu erkennen, aber Sie müssen ihn mit Zehn- oder sogar Hunderttausenden von Bildern von Katzen füttern, die eine große Variationsbreite erfassen in Größe, Form, Textur, Beleuchtung und Ausrichtung. Es wäre viel effizienter, wenn ein Algorithmus, ein bisschen wie ein Mensch, aus weniger Beispielen eine Vorstellung davon entwickeln könnte, was eine Katze zu einer Katze macht.
Ein in Boston ansässiges Startup rief an Gamalon hat eine Technologie entwickelt, mit der Computer dies in einigen Situationen tun können, und veröffentlicht am Dienstag zwei Produkte, die auf diesem Ansatz basieren.
Wenn die zugrunde liegende Technik auf viele andere Aufgaben angewendet werden kann, könnte sie eine große Wirkung haben. Die Fähigkeit, aus weniger Daten zu lernen, könnte es Robotern ermöglichen, neue Umgebungen sehr schnell zu erkunden und zu verstehen, oder Computern ermöglichen, etwas über Ihre Vorlieben zu lernen, ohne Ihre Daten zu teilen.
Gamalon verwendet eine Technik, die es Bayes'sche Programmsynthese nennt, um Algorithmen zu erstellen, die in der Lage sind, aus weniger Beispielen zu lernen. Die Bayessche Wahrscheinlichkeit, benannt nach dem Mathematiker Thomas Bayes aus dem 18. Jahrhundert, bietet einen mathematischen Rahmen für die Verfeinerung von Vorhersagen über die Welt auf der Grundlage von Erfahrungen. Das System von Gamalon verwendet probabilistische Programmierung – oder Code, der eher mit Wahrscheinlichkeiten als mit spezifischen Variablen umgeht – um ein Vorhersagemodell zu erstellen, das einen bestimmten Datensatz erklärt. Aus nur wenigen Beispielen kann ein Wahrscheinlichkeitsprogramm beispielsweise feststellen, dass es sehr wahrscheinlich ist, dass Katzen Ohren, Schnurrhaare und Schwänze haben. Wenn weitere Beispiele bereitgestellt werden, wird der Code hinter dem Modell neu geschrieben und die Wahrscheinlichkeiten optimiert. Dies bietet eine effiziente Möglichkeit, das hervorstechende Wissen aus den Daten zu lernen.
Probabilistische Programmiertechniken gibt es schon seit einiger Zeit. Im Jahr 2015 verwendete beispielsweise ein Team des MIT und der NYU probabilistische Methoden, um Computer lernen zu lassen, geschriebene Zeichen und Objekte zu erkennen, nachdem sie nur ein Beispiel gesehen hatten (siehe This AI Algorithm Learns Simple Tasks as Fast as We Do ). Aber der Ansatz war meist eine akademische Kuriosität.
Es seien schwierige rechnerische Herausforderungen zu bewältigen, da das Programm viele verschiedene mögliche Erklärungen berücksichtigen müsse, sagt er Brenden See , ein wissenschaftlicher Mitarbeiter an der NYU, der die Arbeit 2015 leitete.
Theoretisch hat der Ansatz laut Lake jedoch ein erhebliches Potenzial, da er Aspekte der Entwicklung eines Modells für maschinelles Lernen automatisieren kann. Die probabilistische Programmierung wird das maschinelle Lernen für Forscher und Praktiker viel einfacher machen, sagt Lake. Es hat das Potenzial, sich automatisch um die schwierigen [Programmier-]Teile zu kümmern.
Es gibt sicherlich erhebliche Anreize, benutzerfreundlichere und weniger datenhungrige maschinelle Lernansätze zu entwickeln. Beim maschinellen Lernen wird derzeit ein großer Rohdatensatz erfasst und häufig anschließend manuell gekennzeichnet. Das Lernen erfolgt dann in großen Rechenzentren, wobei viele Computerprozessoren stunden- oder tagelang parallel arbeiten. Es gibt nur wenige wirklich große Unternehmen, die sich das wirklich leisten können, sagt Ben Vigoda, Mitgründer und CEO von Gamalon.
Theoretisch könnte Gamalons Ansatz es jemandem auch viel einfacher machen, ein Modell für maschinelles Lernen zu erstellen und zu verfeinern. Die Perfektionierung eines Deep-Learning-Algorithmus erfordert viel mathematisches und maschinelles Lern-Know-how. Es ist eine schwarze Kunst, diese Systeme einzurichten, sagt Vigoda. Mit dem Ansatz von Gamalon könnte ein Programmierer ein Modell trainieren, indem er signifikante Beispiele einfügt.
Vigoda zeigte MIT Technology Review eine Demo mit einer Zeichen-App, die die Technik verwendet. Es ähnelt dem im letzten Jahr von Google veröffentlichten, das Deep Learning verwendet, um das Objekt zu erkennen, das eine Person zu skizzieren versucht (siehe Want to Understand AI? Try Sketching a Duck for a Neural Network). Aber während Googles App eine Skizze sehen muss, die mit den zuvor gesehenen übereinstimmt, verwendet Gamalons Version ein Wahrscheinlichkeitsprogramm, um die Schlüsselmerkmale eines Objekts zu erkennen. Zum Beispiel versteht ein Programm, dass ein Dreieck, das auf einem Quadrat sitzt, höchstwahrscheinlich ein Haus ist. Das heißt, selbst wenn sich Ihre Skizze stark von dem unterscheidet, was sie zuvor gesehen hat, wird sie richtig raten, vorausgesetzt, sie verfügt über diese Merkmale.
Die Technik könnte in naher Zukunft auch bedeutende kommerzielle Anwendungen haben. Die ersten Produkte des Unternehmens verwenden die Bayes'sche Programmsynthese, um Konzepte in Text zu erkennen.
Ein Produkt namens Gamalon Structure kann Konzepte aus Rohtext effizienter extrahieren, als dies normalerweise möglich ist. Beispielsweise kann es eine Herstellerbeschreibung eines Fernsehers nehmen und bestimmen, welches Produkt beschrieben wird, die Marke, den Produktnamen, die Auflösung, die Größe und andere Merkmale. Ein weiteres Produkt, Gamalon Match, wird verwendet, um die Produkte und Preise im Inventar eines Geschäfts zu kategorisieren. Auch wenn für ein Produkt oder eine Funktion unterschiedliche Akronyme oder Abkürzungen verwendet werden, kann das System in jedem Fall schnell darauf trainiert werden, diese zu erkennen.
Vigoda glaubt, dass die Lernfähigkeit weitere praktische Vorteile haben wird. Ein Computer könnte etwas über die Interessen eines Benutzers erfahren, ohne eine unpraktische Menge an Daten oder stundenlanges Training zu erfordern. Personenbezogene Daten müssen möglicherweise auch nicht mit großen Unternehmen geteilt werden, wenn maschinelles Lernen effizient auf dem Smartphone oder Laptop eines Benutzers durchgeführt werden kann. Und ein Roboter oder ein selbstfahrendes Auto könnte etwas über ein neues Hindernis lernen, ohne Hunderttausende von Beispielen sehen zu müssen.