ИИ создал собственный ИИ, который создал систему компьютерного зрения

ИИ создал систему компьютерного зрения

Компания Google постоянно работает над усовершенствованием алгоритмов работы искусственного интеллекта. Благодаря новому подходу к машинному обучению существующие нейронные сети используются для создания еще более эффективных нейронных сетей, то есть – создают себе подобных. Искусственные нейронные сети имитируют процесс обучения мозга, и новая технология AutoML способна сделать эти сети еще мощнее, эффективнее и проще в использовании.

«Работает AutoML 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» — рассказал генеральный директор Google Сундар Пичаи.

Такой процесс, называемый стимулированным обучением, похож на обучение собак, где за правильное выполнение полагаться некая награда. Для работы компьютеров требуются огромные вычислительные мощности, а мощность оборудования Google сегодня вышла уже на такой уровень, что одна нейронная сеть может без труда анализировать работу другой нейронной сети.

Разработка нейронных сетей возможна при наличии команды профессиональных специалистов и 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 и 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, и, в подтверждение тому, уже получены первые результаты: AutoML впервые создал систему компьютерного зрения NASNet, значительно превосходящую все аналоги, созданные человеком. Эта система, базирующаяся на ИИ, может стать серьезным подспорьем в развитии, например, автономных автомобилей, а также в робототехнике, позволяя вывести зрение роботов на совершенно новый уровень.

AutoML развивается по так называемой системе обучения с подкреплением. По сути, это управляющая нейросеть, которая самостоятельно разрабатывает совершенно новые нейросети для каких-либо специализированных задач. В данном случае основной целью AutoML стало создание системы для максимально точного распознавания объектов на видео в реальном времени.

ИИ самостоятельно обучил новую нейросеть, отслеживая ее ошибки и внося коррективы в ее работу. Процесс обучения повторялся много тысяч раз до тех пор, пока система не стала пригодна к работе. Более того, она превзошла все существующие на сегодняшний день аналогичные нейронные сети, созданные и обученные людьми.

В Google заявляют, что точность распознавания NASNet равна 82,7%. Это на 1,2% лучше, чем предыдущий рекорд, установленный специалистами из Оксфорда и компании Momenta. Нейросеть также оказалась на 4% эффективнее аналогов с 43,1% средней точности.

Упрощенная версия NASNet, адаптированная под мобильные платформы превосходит подобные нейросети более чем на 3%. Система эта в будущем может быть использована при создании автономных автомобилей, ведь для них компьютерное зрение невероятно важно.

Пока же AutoML продолжает создавать новые нейросети, и, кто знает, каких высот удастся ему достичь в ближайшем будущем и когда он откажется от услуг человека.

А что вы об этом думаете?
  1. Оставьте свой комментарий, Ваше мнение для нас очень важно.
Ваш комментарий:

Поля обозначенные как * требуются обязательно. Перед постингом всегда делайте просмотр своего комментария.


(не публикуется)