Google нашла эффективный способ, как обучать ИИ создавать ещё более мощные ИИ

Компания Google объявила об очередном большом шаге в разработке искусственного интеллекта, рассказав о новом подходе к машинному обучению, с помощью которого нейронные сети можно будет использовать для создания еще более эффективных нейронных сетей. По сути, речь идет об обучении машины создавать себе подобных.

Искусственные нейронные сети разрабатываются с учетом имитации процесса обучения мозга, и, согласно Google, ее новая технология, получившая название AutoML, способна сделать эти сети еще мощнее, эффективнее и проще в использовании.

Генеральный директор Google Сундар Пичаи показал пример работы AutoML, выступая на конференции Google I/O 2017 — ежегодном мероприятии для разработчиков программного и аппаратного обеспечения, где обычно компания представляет или по крайней мере рассказывает о продуктах, над которыми работает в настоящий момент.

«Работает это так: мы берем набор кандидатов в нейронные сети, — назовем их нейронными сетями-малышами, — и многократно прогоняем через них на предмет поиска ошибок уже готовую нейронную сеть до тех пор, пока не получим еще более эффективную нейронную сеть», — сказал Пичаи.

Это процесс называется стимулированным обучением, где за поиск ошибок компьютеру будет полагаться некая награда. По тому же принципу, например, обучают новым трюкам собак. Разумеется, в случае компьютеров, здесь требуется наличие огромной вычислительной мощности, однако мощность оборудования Google вышла уже на такой уровень, что одна нейронная сеть может без труда анализировать работу другой нейронной сети.

Для создания нейронной сети требуется настоящая команда из экспертов в компьютерной инженерии и огромное количество времени, однако благодаря AutoML в будущем практически любой пользователь сможет построить свою собственную ИИ-систему и запрограммировать ее на выполнение абсолютно любых задач.

«Мы надеемся, что технология AutoML, которая на данный момент доступна лишь нескольким исследовательским центрам, через три-пять лет станет доступной для сотен, а лучше тысяч разработчиков нейронных сетей, которые захотят использовать их для своих определенных целей», — написал Пичаи в официальном блоге.

Схема работы технологии AutoML: многоуровневый анализ работы нейронных сетей для определения наиболее умной из них

Машинное обучение – попытка наделить компьютер возможностью делать свои собственные выводы на базе имеющейся информации – это лишь один из подходов в разработке искусственного интеллекта, включающий два важных аспекта: процесс обучения и собственно способность самостоятельно делать выводы на его базе. С обучением все относительно понятно. Покажи компьютеру сотню тысяч картинок с котиками и собачками, и он в итоге поймет, какая комбинация пикселей составляет каждое из этих животных. Со второй частью несколько сложнее. Ведь именно здесь от машины требуется показать, чему она научилась, и на основе этого обучения самостоятельно прийти к логической догадке. Сделать вывод.

А теперь замените кошечек и собачек на нейронные сети, и вы получите представление о том, как работает AutoML, которая вместо распознавания животных распознает, какая из представленных систем является наиболее умной. Если верить Google, даже сейчас уровень AutoML уже таков, что она может быть эффективнее экспертов-людей в вопросе поиска лучших подходов для решения конкретных проблем. В перспективе это позволит существенно упростить процесс создания новых ИИ-систем, так как по сути их будут создавать себе же подобные.

На данный момент AutoML по-прежнему находится на раннем этапе своего развития, говорит Google, однако ИИ, машинное обучение и глубинное машинное обучение (продвинутые методы обучения машин, основывающиеся на имитации работы нейронов мозга человека) – все они так или иначе уже находят свое применение в тех приложениях и сферах, которые мы используем и в которых мы находимся ежедневно.

В рамках демонстрации на сцене конференции I/O инженеры Google показали, как их технология машинного обучения способна существенно осветлить очень темные изображения или, например, убрать с них различные шумы. И все эти действия машина способна выполнять, только полагаясь на информацию, полученную в рамках анализа миллионов других четких образцов снимков. В Google отмечают, что их суперкомпьютеры теперь стали эффективнее человека в процессе распознавания того, что находится на фото. На базе этой технологии в скором времени выйдет пользовательское приложение Google Lens, способное эффективно определять, какой цветок (или цветы) находится сейчас перед вами (или на снимках), через камеру смартфона.

Подобные сверхмощные алгоритмы на базе глубинного обучения в будущем определенно найдут место для своего применения в медицине, где системы, работающие на их базе, будут определять на снимках признаки злокачественных образований и большинстве случаев делать это гораздо эффективнее профессиональных хирургов.

С помощь технологии AutoML ИИ-платформы станут быстрее обучаться и будут гораздо умнее. Правда, ждать этого момента придется несколько подольше, чем выход обещанного «цветочного приложения» для платформы Android. Как бы там ни было, до этого момента у разработчиков приложений и ученых будет масса времени для того, чтобы ближе познакомиться с AutoML.

«Мы думаем, что эта технология приведет к появлению новых нейронных сетей и открытию возможностей, когда даже не эксперты смогут создавать свои личные нейронные сети для своих определенных нужд, что, в свою очередь, лишь увеличит возможность технологий машинного обучения оказывать больше влияния на нас всех», — считают научные специалисты Google Куок Ле и Баррет Зоф.

источник