Создание искусственного интеллекта, который продолжает самообучаться
Чтобы произошло, если бывы прекратили учиться сразу же после окончания школы?
Кажется, в этом вопросе нет смысла, но именно так большинство систем машинного обучения и моделируется. Как только такая система усваивает задачу, она находится в рабочем состоянии. Но некоторые программисты нынче разрабатывают систему искусственного интеллекта, которая непрерывно обучается и приспосабливается, почти также как и мозг человека.
Алгоритмы систем машинного обучения часто принимают форму нейронной сети, большого набора простых программных элементов, или нейронов, которые сообщаются между собой, варьируются по силе, или иными словами по «нагрузке»(весу). Давайте рассмотрим систему, спроектированную на распознавание изображения. Если она неправильно отмакеркетирует картинку во время тренинга, то «вес» будет скорректирован. Когда количество ошибок становится ниже определенного порога, происходит постановка «нагрузки» на паузу у задающей величины.
Новые средства реализации искусственного интеллекта разбивают каждую «нагрузку» на два значения, которые объединяются для обработки информации, насколько один нейрон может активировать другой. Первая величина учится и приспосабливается (натренировывается), как это происходит в традиционных системах.
Но вторая величина непрерывно приспосабливается на ответ окружающей активности сети. Принципиально важно то, что алгоритм также учится тому, как приспособиться, чтобы создать эти «нагрузки». Таким образом нейронная сеть изучает как образцы поведения, так же как то, насколько можно модифицировать каждую составляющую такого поведения в ответ на новые обстоятельства.
Исследователи представляли свою технологию в июле на конференции в Стокгольме, Швеция.
Применив свою технологию, команда создала вычислительную сеть, которая научилась восстанавливать полустертые фотографии после просмотра полно объемных изображений всего лишь только несколько раз.
Напротив, традиционная нейронная сеть должна была бы прежде просмотреть изображения неоднократно много, прежде восстановить оригинал.
Исследователи также создали сеть, которая была обучена идентифицировать рукописные буквы алфавита — которые как правило неоднородны, в отличие от печатных — и это после того, как системе был предъявлен для распознавания один единственный пример.
В другой задаче, нейронные сети контролировали персонаж, перемещающийся в простом лабиринте в поиске награды.
После одного миллиона проб, сеть с новыми само-приспосабливаемыми «нагрузками» смогла найти три раза подряд каждую награду, всякий раз за одну попытку, как это могла бы сделать сеть только с фиксированными «нагрузками». Статические части составляющих само приспосабливаемых нагрузок, по всей видимости, опознали структуру лабиринта, тогда как динамические составляющие научились распознавать новые места, где награда была спрятана.
«Это действительно мощно»,- говорит Нихил Мишра (Nikhil Mishra), программист Университета г. Беркли, Калифорния, кто не участвовал в исследовании, «потому что алгоритмы могут приспособиться быстрее к новым задачам и новым ситуациям, точно так же, как и люди».
Томас Микони, программист частной транспортной компании-перевозки и доставки Uber и ведущий автор научной доклада, говорит, что его команда теперь планирует заняться более сложными задачами, такими, как автоматизированный контроль и распознавание речи. В родственной работе Микони хотел бы сымитировать «нейромодуляцию», мгновенную в масштабе сети область применение приспособляемости, позволяющая людям впитывать информацию, когда происходит что-то новое или важное.
открывающее фото: Авторское право : willyambradberry
фото и новость: источник Журнал Саентифик Американ №11 2018 архив новостей
Автор: Мэтью Хатсон
Перевод: Энигма Л.Н.
