Hvorfor kunstig intelligens er lært opp til å skrive koden din?

Nylig, ett selskap , slik at maskinen effektivt lære på eksempler i en liten mengde og forbedre din kunnskap som nye eksempler. Den kan brukes overalt, for eksempel, for å lære smarttelefonen til å gjenkjenne brukerens preferanser eller å hjelpe Autonome fremdriftssystemer for å raskt identifisere hindringer.

Det Gamle ordtaket "repetisjon er mor til læring" også gjelder for maskiner. Mange moderne kunstig intelligens systemer som er i bruk i enheter som er avhengige av repetisjon i læringsprosessen. Algoritmer for dybdekunnskap tillate AI enheter for å trekke ut kunnskap fra datasett og deretter å bruke det de har lært i bestemte situasjoner. For eksempel, hvis du mate den AI-system er et bevis på at himmelen er vanligvis blå, og senere vil hun begynne å lære på himmelen blant bildene.

Ved hjelp av denne metoden er det mulig å gjennomføre komplekse arbeid, men det er, selvfølgelig, etterlater mye å være ønsket. Men det ville være mulig å oppnå de samme resultatene hvis du utelater system, dyp læring AI bruke færre eksempler? Gamalon Boston oppstart har utviklet en ny teknologi for å prøve å svare på dette spørsmålet, og denne uken innført to produkter som bruker den nye tilnærmingen.

Gamalon bruker teknikken av Bayesianske programmering, program syntese. Det er basert på 18. århundre matematikk utviklet av en matematiker Thomas Bayes. Bayesiansk sannsynligheten er brukt for å Avgrense spådommer om verden ved hjelp av erfaring. Denne formen for probabilistisk programmering er når koden bruker er sannsynlig, men ikke til et bestemt verdi krever færre eksempler å trekke en konklusjon, for eksempel, at himmelen er blå med flekker av hvite skyer. Programmet også klargjør din kunnskap som videre læring eksempler, og koden kan være omskrevet for å korrigere sannsynlighet.

Probabilistisk programmering

Mens denne nye tilnærming til programmering fortsatt har sine problemer som må løses, har et betydelig potensial for å automatisere prosessen med utvikling av algoritmer for maskinlæring. "Probabilistisk programmering enklere for maskinlæring forskere og praktikere," forklarer Brendan lake, forsker ved new York University, som jobbet på probabilistisk programmering teknikker i 2015. "Han har evnen til å ta seg av de kompliserte deler av programmering."

Direktør administrerende DIREKTØR og medgrunnlegger Ben Vigoda viste MIT Technology Review sample program for tegning, som bruker sine nye metoden. Det er det samme som Google lansert i fjor, som anslår hva personen prøver å tegne. Les mer her . Men i motsetning til Google, som er avhengig av skisser har allerede blitt sett tidligere, programmet Gamalon baserer seg på statistiske programmering i et forsøk på å identifisere de viktigste funksjonene i objektet. Dermed, selv om du vil tegne en figur som er forskjellige fra de i programmet databasen før det kan identifisere spesifikke egenskaper — for eksempel, en firkant med en trekant på toppen (hus) — det vil gjøre riktige spådommer.

To presentert Gamalon produktet viser at deres metoder kan finne kommersiell anvendelse i nær tid. Produktet Gamalon Struktur bruker en Bayesiansk syntese programvare for å oppdage begreper fra vanlig tekst og allerede banket på effekten av andre programmer. For eksempel, når du mottar beskrivelse av TV-en fra produsent, det kan identifisere merkevare, produkt navn, skjermoppløsning, størrelse og andre funksjoner. Et annet program — Gamalon Match — distribuerer produkter og priser i butikk varelager. I begge tilfeller, systemet raskt lærer å gjenkjenne varianter av akronymer eller forkortelser.

Vigoda å merke seg at det er andre mulige bruksområder. For eksempel, hvis du utstyre Bayesiansk machine learning modell smarttelefoner eller laptops, vil de ikke å dele personlige data med store bedrifter med å finne interessene til brukere; beregningene vil effektivt utføre inne i enheten. Autonome maskiner kan lære å tilpasse seg til miljøet mye raskere ved å bruke denne metoden for læring.

Hvis du underviser kunstig intelligens til å lære på sin egen, han trenger ikke å være i bånd.