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. Som rapporteret af ScienceAlert, har forskere ved Google Brain nyligt 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.

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

Google-forskningsholdet offentliggjorde en rapport sidste måned på arXiv, med titlen “Evolving Machine Learning Algorithms From Scratch”. I den diskuterer forskningsholdet deres nye system, kaldet AutoML-Zero. Auto-ML Zero opererer ved at justere grundlæggende matematiske operationer og anvende dem som byggesten for nye, sofistikerede 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 forskningsrapport:

“Menneske-designede komponenter skæver søgeresultaterne i favør af menneske-designede algoritmer, muligvis reducerer innovationens potentiale i AutoML. Innovation er også begrænset af at have færre muligheder: du kan ikke opdage, hvad du ikke kan søge efter.”

AutoML-Zero opererer med en tre-trins-tilgang: opsætning, forudsigelse og læring. AutoML-Zero starter med at tage 100 algoritmer skabt gennem tilfældig kombination af simple matematiske operationer, derefter pit algoritmernes mod hinanden. Når de bedst performende algoritmer er identificeret, gøres små justeringer af disse algoritmer, og derefter gennemføres en ny runde af tests. Denne proces med konkurrence og mutation ligner en “survival-of-the-fittest”-selektionsproces.

Ifølge rapporten kan hele processen gennemføres ret hurtigt, da systemet kan behandle op til 10.000 mulige algoritmer per sekund per processor. Det kan også gennemføre disse tests mere eller mindre 24/7, fortsætte med at eksperimentere med meget lidt input fra menneskelige operatører.

Mange af de mest imponerende algoritmiske systemer i dag er kun 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 rapport, at systemet potentielt kan opdage helt nye algoritmer, der radikalt adskiller sig fra dem, der er mest bredt anvendt.

“Der er en følelse blandt mange medlemmer af fællesskabet, at de mest imponerende bedrifter i kunstig intelligens kun vil blive opnået med opfindelsen af nye algoritmer, der fundamentalt adskiller sig fra dem, som vi som art har indtil nu udviklet”, sagde Jackson. “Dette er, hvad der gør den nævnte rapport så interessant. Den præsenterer en metode, hvorved vi kan automatisk konstruere og teste helt nye maskinlæringsalgoritmer.”

AutoML-Zero er stadig i proof-of-concept-fasen, og der skal meget mere arbejde gøres på det, 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 forskningen, der er udført på systemet, muligvis være nyttig, selv før AutoML-Zero er færdig, og informere, hvordan andre algoritmer designes af ingeniører.