Hvorfor kunstig intelligens er undervist i at omskrive din kode?

For Nylig, en virksomhed , der sætter maskinen til effektivt at lære på eksempler i en lille mængde og finpudse din viden som nye eksempler. Det kan bruges overalt, for eksempel, at lære din smartphone til at genkende brugerens præferencer eller for at hjælpe Autonome fremdriftssystemer til hurtigt at identificere forhindringer.

Det Gamle ordsprog "gentagelse er mor til læring" godt anvendes til maskiner. Mange moderne kunstig intelligens-systemer, der opererer i enheder, der er afhængige af gentagelse i læringsprocessen. Algoritmer for dyb læring tillade AI enheder til at udtrække viden fra data sæt, og så at anvende, hvad de har lært i specifikke situationer. For eksempel, hvis du fodrer den AI-system er beviser for, at himlen er som regel blå, og senere vil hun begynde at lære himlen blandt de billeder.

Ved hjælp af denne metode er det muligt at foretage kompliceret arbejde, men det er, selvfølgelig, lader meget tilbage at ønske. Men det ville være muligt at opnå de samme resultater, hvis du udelader system, dyb læring AI bruge færre eksempler? Gamalon Boston opstart har udviklet en ny teknologi til at forsøge at besvare dette spørgsmål, og i denne uge er der indført to produkter, der bruger den nye metode.

Gamalon bruger en teknik, Bayesian programmering, program syntese. Det er baseret på 18th århundrede matematik udviklet af matematiker Thomas Bayes. Bayesian sandsynlighed bruges til at Forfine forudsigelser om verden ved hjælp af erfaring. Denne form for probabilistisk programmering er, når koden bruger sandsynligt, men ikke på et bestemt værdi kræver færre eksempler til at drage en konklusion, for eksempel, at himlen er blå med pletter af hvide skyer. Programmet præciserer også din viden som yderligere læring eksempler, og koden kan omskrives til den korrekte sandsynlighed.

Probabilistisk programmering

Mens denne nye tilgang til programmering, har stadig sine problemer, som skal løses, har det betydelige potentiale til at automatisere udviklingen af machine learning-algoritmer. "Probabilistiske programmering lettere for machine learning forskere og praktikere," forklarer Brendan søen, forsker ved new York University, der arbejdede på probabilistisk programmering teknikker i 2015. "Han har evnen til at tage sig af de komplicerede dele af programmering."

General-Direktør CEO og co-founder Ben Vigoda viste MIT Technology Review sample program til tegning, som bruger deres nye metode. Det svarer til, hvad Google udgivet sidste år, som bestemmer, hvad den person, der er forsøger at tegne. Læs mere . Men i modsætning til Google, som bygger på skitser har allerede været set tidligere, anvendelse Gamalon er baseret på probabilistisk programmering i et forsøg på at identificere de centrale træk ved objektet. Så selv om du tegne en form, der er forskellige fra dem, der er i ansøgningen database, før det kan identificere specifikke egenskaber — for eksempel, en firkant med en trekant øverst (hus) — det vil gøre korrekte forudsigelser.

To præsenteret Gamalon produkt viser, at deres metoder kan finde kommerciel anvendelse i den nærmeste tid. Produkt Gamalon Struktur bruger en Bayesiansk syntese software til at opdage begreber fra almindelig tekst og allerede banker på effektiviteten af andre programmer. For eksempel, efter at have modtaget beskrivelse af TV fra fabrikanten, men kan identificere brand, produkt, navn, skærmopløsning, størrelsen og andre funktioner. En anden anvendelse — Gamalon Match — distribuerer produkter og priser i butikken opgørelse. I begge tilfælde vil systemet hurtigt lærer at genkende variationer af akronymer og forkortelser.

Vigoda bemærkes, at der er andre mulige anvendelser. For eksempel, hvis du udstyre Bayesian machine learning model smartphones eller laptops, de ikke vil have til at dele personlige data med de store virksomheder til at bestemme brugernes interesser; de beregninger, der vil udføre inde i enheden. Autonome maskiner kan lære at tilpasse sig til miljøet meget hurtigere ved hjælp af denne metode i undervisningen.

Hvis du lærer kunstig intelligens til at lære på egen hånd, er han ikke nødt til at være på en snor.