Onlangs heeft een bedrijf technologie ontwikkeld waarmee een machine effectief kan leren van een klein aantal voorbeelden en zijn kennis kan aanscherpen naarmate er meer voorbeelden beschikbaar komen. Het kan overal worden toegepast, zoals het leren van een smartphone om gebruikersvoorkeuren te herkennen of het helpen van autonome motorsystemen om snel obstakels te identificeren.
Het oude gezegde "herhaling is de moeder van leren" is perfect van toepassing op machines. Veel moderne kunstmatige-intelligentiesystemen die in apparaten werken, zijn afhankelijk van herhaling in het leerproces. Met deep learning-algoritmen kunnen AI-apparaten kennis uit datasets halen en het geleerde vervolgens toepassen op specifieke situaties. Als u bijvoorbeeld een AI-systeem geeft dat de lucht meestal blauw is, zal het later de lucht tussen de afbeeldingen herkennen.
Met deze methode kan ingewikkeld werk worden gedaan, maar het laat zeker te wensen over. Maar zou u dezelfde resultaten kunnen behalen als u het AI deep learning-systeem door minder voorbeelden laat lopen? De in Boston gevestigde startup Gamalon heeft nieuwe technologie ontwikkeld om deze vraag te beantwoorden, en deze week onthulde ze twee producten met een nieuwe aanpak.
Gamalon maakt gebruik van Bayesiaanse programmeertechnieken, softwaresynthese. Het is gebaseerd op wiskunde uit de 18e eeuw, ontwikkeld door wiskundige Thomas Bayes. Bayesiaanse waarschijnlijkheid wordt gebruikt om met ervaring verfijnde voorspellingen te doen over de wereld. Deze vorm van probabilistisch programmeren - waarbij de code waarschijnlijke in plaats van specifieke waarden gebruikt - vereist minder voorbeelden om bijvoorbeeld af te leiden dat de lucht blauw is met witte wolkenvlekken. Het programma verfijnt ook zijn kennis terwijl u de voorbeelden verder onderzoekt, en de code kan worden herschreven om de waarschijnlijkheden aan te passen.
Probabilistisch programmeren
Hoewel deze nieuwe benadering van programmeren nog steeds uitdagingen heeft om op te lossen, heeft het een aanzienlijk potentieel om de ontwikkeling van algoritmen voor machine learning te automatiseren. "Probabilistisch programmeren zal machine learning gemakkelijker maken voor onderzoekers en praktijkmensen", legt Brendan Lake uit, een onderzoeker aan de New York University die in 2015 aan probabilistische programmeertechnieken werkte. "Hij heeft het vermogen om zelfstandig de complexe onderdelen van de programmering te verzorgen."
CEO CEO en mede-oprichter Ben Vigoda toonde MIT Technology Review een demo-tekenapplicatie die hun nieuwe methode gebruikt. Het is vergelijkbaar met wat Google vorig jaar uitbracht, omdat het voorspelt wat iemand probeert te tekenen. We schreven er meer in detail over. Maar in tegenstelling tot de versie van Google, die vertrouwt op reeds geziene schetsen, vertrouwt Gamalon op probabilistisch programmeren om de belangrijkste kenmerken van een object te identificeren. Dus zelfs als u een vorm tekent die verschilt van de vorm in de database van de toepassing, zal het, zolang het specifieke kenmerken kan identificeren - bijvoorbeeld een vierkant met een driehoek bovenaan (een huis) - correcte voorspellingen doen.
Promotie video:
De twee producten die Gamalon presenteert, laten zien dat hun methoden in de nabije toekomst commerciële toepassingen kunnen vinden. Het product van Gamalon Structure maakt gebruik van Bayesiaanse softwaresynthese om concepten uit platte tekst te herkennen en presteert al beter dan andere programma's op het gebied van efficiëntie. Als ze bijvoorbeeld een beschrijving van een tv van een fabrikant heeft ontvangen, kan ze het merk, de productnaam, de schermresolutie, het formaat en andere kenmerken bepalen. Een andere app - Gamalon Match - verdeelt producten en prijzen in winkelvoorraad. In beide gevallen leert het systeem snel variaties in acroniemen of afkortingen te herkennen.
Vigoda merkt op dat er andere mogelijke toepassingen zijn. Als smartphones of laptops bijvoorbeeld zijn uitgerust met Bayesiaanse machine learning, hoeven ze geen persoonlijke gegevens te delen met grote bedrijven om de interesses van gebruikers te bepalen; berekeningen kunnen efficiënt in het apparaat worden uitgevoerd. Autonome auto's kunnen met deze leermethode ook veel sneller leren zich aan te passen aan hun omgeving.
Als je kunstmatige intelligentie leert om zelfstandig te leren, hoeft het niet aangelijnd te zijn.
ILYA KHEL