Baru-baru ini, sebuah syarikat telah mengembangkan teknologi yang membolehkan mesin belajar dengan berkesan dari sebilangan kecil contoh dan meningkatkan pengetahuannya apabila terdapat lebih banyak contoh. Ia boleh digunakan di mana sahaja, seperti mengajar telefon pintar untuk mengenali pilihan pengguna atau membantu sistem motor autonomi dengan cepat mengenal pasti halangan.
Pepatah lama "pengulangan adalah ibu pembelajaran" berlaku dengan sempurna untuk mesin. Banyak sistem kecerdasan buatan moden yang berfungsi dalam peranti bergantung pada pengulangan dalam proses pembelajaran. Algoritma pembelajaran mendalam membolehkan peranti AI mengekstrak pengetahuan dari kumpulan data dan kemudian menerapkan apa yang telah mereka pelajari pada situasi tertentu. Contohnya, jika anda memberi makan sistem AI yang langitnya biasanya biru, ia kemudian akan mengenali langit di antara gambar.
Kerja yang kompleks dapat dilakukan dengan menggunakan kaedah ini, tetapi pastinya memerlukan banyak perkara yang diinginkan. Tetapi bolehkah anda memperoleh hasil yang sama jika anda menjalankan sistem pembelajaran mendalam AI melalui lebih sedikit contoh? Permulaan yang berpangkalan di Boston Gamalon telah mengembangkan teknologi baru untuk cuba menjawab soalan ini, dan minggu ini melancarkan dua produk yang menggunakan pendekatan baru.
Gamalon menggunakan teknik pengaturcaraan Bayesian, sintesis perisian. Ia berdasarkan matematik abad ke-18 yang dikembangkan oleh ahli matematik Thomas Bayes. Kebarangkalian Bayesian digunakan untuk membuat ramalan yang lebih baik mengenai dunia menggunakan pengalaman. Bentuk pengaturcaraan probabilistik - di mana kod menggunakan kemungkinan dan bukan nilai tertentu - memerlukan lebih sedikit contoh untuk menyimpulkan, misalnya, bahawa langit berwarna biru dengan tambalan awan putih. Program ini juga menyempurnakan pengetahuannya semasa anda meneroka lebih lanjut contohnya, dan kodnya dapat ditulis semula untuk mengubah kemungkinan.
Pengaturcaraan probabilistik
Walaupun pendekatan baru untuk pengaturcaraan ini masih memiliki tantangan untuk diselesaikan, ia berpotensi besar untuk mengotomatisasi pengembangan algoritma pembelajaran mesin. "Pengaturcaraan probabilistik akan menjadikan pembelajaran mesin lebih mudah bagi penyelidik dan pengamal," jelas Brendan Lake, penyelidik Universiti New York yang mengusahakan teknik pengaturcaraan probabilistik pada tahun 2015. "Dia memiliki kemampuan untuk mengurus sendiri bahagian-bahagian pengaturcaraan yang kompleks."
Ketua Pegawai Eksekutif dan Pengasas Bersama Ben Vigoda menunjukkan MIT Technology Review sebuah aplikasi lukisan demo yang menggunakan kaedah baru mereka. Ia serupa dengan yang dikeluarkan oleh Google tahun lalu kerana ia meramalkan apa yang cuba dilukis oleh seseorang. Kami menulis mengenainya dengan lebih terperinci. Tetapi tidak seperti versi Google, yang bergantung pada lakaran yang dilihat sebelumnya, Gamalon bergantung pada pengaturcaraan probabilistik untuk mencuba mengenal pasti ciri utama objek. Oleh itu, walaupun anda melukis bentuk yang berbeza dari yang ada di pangkalan data aplikasi, selagi ia dapat mengenal pasti ciri-ciri tertentu - misalnya, sebuah segi empat sama dengan segitiga di bahagian atas (sebuah rumah) - ia akan membuat ramalan yang betul.
Video promosi:
Kedua-dua produk yang dibentangkan oleh Gamalon menunjukkan bahawa kaedahnya mungkin menemui aplikasi komersial dalam masa terdekat. Produk Gamalon Structure menggunakan sintesis perisian Bayesian untuk mengenali konsep dari teks biasa dan sudah mengungguli program lain dari segi kecekapan. Sebagai contoh, setelah mendapat penerangan tentang TV dari pengeluar, dia dapat menentukan jenama, nama produk, resolusi skrin, ukuran, dan ciri lain. Aplikasi lain - Gamalon Match - mengedarkan produk dan harga di inventori kedai. Dalam kedua kes tersebut, sistem dengan cepat belajar mengenali variasi akronim atau singkatan.
Vigoda menyatakan bahawa ada kemungkinan penggunaan lain. Sebagai contoh, jika telefon pintar atau komputer riba dilengkapi dengan pembelajaran mesin Bayesian, mereka tidak perlu berkongsi data peribadi dengan syarikat besar untuk menentukan kepentingan pengguna; pengiraan dapat dilakukan dengan cekap di dalam peranti. Kereta autonomi juga dapat belajar menyesuaikan diri dengan persekitarannya dengan lebih pantas menggunakan kaedah pembelajaran ini.
Sekiranya anda mengajar kecerdasan buatan untuk belajar dengan sendirinya, itu tidak semestinya perlu dilakukan.
ILYA KHEL
