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 .
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 .