Google проучва създаването на система за развитие на нови AI алгоритми от математически градивни блокове

Машинното обучение позволява на компютърно приложение да стане опитно в голямо разнообразие от задачи, но често отнема много време, за да се проектира архитектура за машинно обучение от нулата и след това да се обучи този алгоритъм. Както съобщава ScienceAlert, изследователи от Google Brain наскоро експериментираха с нови начини за създаване на AI програми, използвайки техники, базирани на мутации, които позволяват на AI да „еволюират“ органично.

Системата AutoML на Google автоматично създава AI програми от известно време и много от тези програми постигат по-добра производителност от моделите, проектирани от човешки инженери. Изследователите на Google обаче успяха да разширят тази система, публикувайки изследване, което предполага, че системата може да се използва за „откриване“ на нови, по-ефективни и мощни алгоритми чрез процес, който отразява еволюцията. Този процес се основава на мутацията на математическите функции и може също така да помогне за намаляване на човешките пристрастия, които често намират своя път в системите с изкуствен интелект чрез данни.

Изследователският екип на Google предварително публикувана статия последния месец на arXiv, озаглавен „Развиване на алгоритми за машинно обучение от нулата“. В него изследователският екип обсъжда новата си система, наречена AutoML-Zero. Auto-ML Zero работи, като променя основните математически операции, като ги използва като градивни елементи за нови, усъвършенствани алгоритми. Системите, проектирани с AutoML-Zero, биха могли потенциално да бъдат по-мощни и точни от много други AI, но изследователският екип тества процеса с конкретна цел – коригиране на човешките пристрастия в рамките на общи модели за машинно обучение и набори от данни. Изследователите описват проблема в своята изследователска статия:

„Проектираните от човека компоненти отклоняват резултатите от търсенето в полза на проектирани от човека алгоритми, което вероятно намалява потенциала за иновации на AutoML. Иновациите също са ограничени от наличието на по-малко възможности: не можете да откриете това, което не можете да търсите.“

AutoML-Zero работи с подход в три стъпки: настройка, прогнозиране и обучение. AutoML-Zero започва с вземане на 100 алгоритъма, създадени чрез произволна комбинация от прости математически операции, след което алгоритмите се изправят един срещу друг. След като бъдат идентифицирани най-добре работещите алгоритми, се правят малки корекции на тези алгоритми и след това се провежда нов кръг от изпитания. Този процес на конкуренция и мутация имитира процеса на подбор на „оцеляване на най-силните“.

Съобщава се, че целият процес може да се извърши доста бързо, тъй като системата е способна да обработва до 10,000 24 възможни алгоритми в секунда на процесор. Той може също така да извършва тези опити повече или по-малко 7/XNUMX, като продължава да експериментира с много малко принос от човешки оператори.

Много от най-впечатляващите алгоритмични системи днес са само леки вариации на алгоритми, които имат дълга история в компютърните науки и AI, увеличени. Според Харан Джаксън, цитиран от Newsweek, най-интересното в новия документ е, че системата потенциално може да открие съвсем нови алгоритми, които коренно се различават от тези, които са най-широко използвани.

„Сред много членове на общността има чувство, че най-впечатляващите постижения на изкуствения интелект ще бъдат постигнати само с изобретяването на нови алгоритми, които са фундаментално различни от тези, които ние като вид сме измислили досега,“ каза Джаксън. „Това е, което прави гореспоменатия документ толкова интересен. Той представя метод, чрез който можем автоматично да конструираме и тестваме напълно нови алгоритми за машинно обучение.

AutoML-Zero все още е във фаза на доказване на концепцията и ще трябва да се свърши много повече работа по него, преди да може да произвежда алгоритми, които са толкова полезни, колкото тези, които управляват днешните най-модерни AI приложения. Независимо от това, изследването, проведено върху системата, може да се окаже полезно дори преди AAutoML-Zero да бъде завършен, информирайки как други алгоритми са проектирани от инженерите.