Google-forskere skaber system til at udvikle nye AI-algoritmer fra matematiske byggesten

Maskinlæring giver en computerapplikation mulighed for at blive dygtig til en bred vifte af opgaver, men det tager ofte lang tid at designe en maskinlæringarkitektur fra bunden og derefter træne algoritmen. Ifølge ScienceAlert har forskere ved Google (GOOGL ) Brain nylig eksperimenteret med nye måder at skabe AI-programmer på, ved at anvende teknikker baseret på mutationer, der giver AI mulighed for at “udvikle” sig organisk.

Googles AutoML-system har i længere tid været i stand til automatisk at skabe AI-programmer, og mange af disse programmer opnår bedre præstationer end modeller designet af menneskelige ingeniører. Dog var Google-forskerne i stand til at udvide dette system, og offentliggøre en forskning, der antyder, at systemet kunne anvendes til at “opdage” nye, mere effektive og kraftfulde algoritmer gennem en proces, der minder om evolution. Denne proces er baseret på mutation af matematiske funktioner og kunne også hjælpe med at reducere den menneskelige bias, der ofte finder vej ind i AI-systemer via data.

Google-forskningsholdet offentliggjorde en artikel forleden måned på arXiv, med titlen “Evolving Machine Learning Algorithms From Scratch”. I artiklen diskuterer forskningsholdet deres nye system, kaldet AutoML-Zero. AutoML-Zero fungerer ved at justere grundlæggende matematiske operationer og anvende dem som byggesten for nye, avancerede algoritmer. Systemer designet med AutoML-Zero kunne potentielt være mere kraftfulde og præcise end mange andre AI-systemer, men forskningsholdet testede processen med et specifikt mål i mente – at fikse den menneskelige bias i generiske maskinlæringsmodeller og datasæt. Forskerne beskriver problemet i deres forskningsartikel:

“Menneskeskabte komponenter skæver søgeresultaterne i favør af menneskeskabte algoritmer, muligvis reducerer innovationens potentiale i AutoML. Innovation er også begrænset af færre muligheder: du kan ikke opdage, hvad du ikke kan søge efter.”

AutoML-Zero fungerer med en tretrinsapproach: opsætning, forudsigelse og læring. AutoML-Zero starter med at tage 100 algoritmer skabt gennem tilfældig kombination af simple matematiske operationer, derefter pit algoritmernes præstationer mod hinanden. Når de bedst præsterende algoritmer er identificeret, gøres små justeringer af disse algoritmer, og derefter gennemføres endnu en runde af tests. Denne proces med konkurrence og mutation minder om en “survival-of-the-fittest”-selektionsproces.

Ifølge rapporten kan hele processen gennemføres ret hurtigt, da systemet kan bearbejde op til 10.000 mulige algoritmer per sekund per processor. Det kan også gennemføre disse tests mere eller mindre 24/7, uden at kræve megen indput fra menneskelige operatører.

Mange af de mest imponerende algoritmesystemer i dag er blot små variationer af algoritmer, der har en lang historie i computervidenskab og AI, skaleret op. Ifølge Haran Jackson, som citeres af Newsweek, er det mest interessante ved den nye artikel, at systemet potentielt kan opdage helt nye algoritmer, der radikalt adskiller sig fra dem, der er mest udbredt.

“Der er en fornemmelse blandt mange medlemmer af fællesskabet, at de mest imponerende bedrifter i kunstig intelligens kun vil blive opnået med opfindelsen af nye algoritmer, der er fundamentalt forskellige fra dem, vi som art har indtil nu udviklet,” siger Jackson. “Det er det, der gør den nævnte artikel så interessant. Den præsenterer en metode, hvormed vi kan automatisere og teste helt nye maskinlæringsalgoritmer.”

AutoML-Zero er stadig i proof-of-concept-fasen, og der skal meget mere arbejde til, før det er i stand til at producere algoritmer, der er lige så nyttige som dem, der driver i dagens mest avancerede AI-applikationer. Alligevel kan den forskning, der er blevet udført på systemet, muligvis være nyttig, selv før AutoML-Zero er færdig, og informere, hvordan andre algoritmer designes af ingeniører.