Google-Forscher entwickeln System, um neue KI-Algorithmen aus mathematischen Bausteinen zu entwickeln

Machine Learning ermöglicht es einer Computeranwendung, eine Vielzahl von Aufgaben zu erlernen, aber es kann viel Zeit in Anspruch nehmen, eine Machine-Learning-Architektur von Grund auf zu entwerfen und das entsprechende Algorithmus-Training durchzuführen. Wie von ScienceAlert berichtet, haben Forscher bei Google (GOOGL ) Brain kürzlich mit neuen Methoden zur Erstellung von KI-Programmen experimentiert, indem sie Techniken auf der Grundlage von Mutationen einsetzten, die es KI-Systemen ermöglichen, “organisch” zu “evolvieren”.

Googles AutoML-System erstellt bereits seit einiger Zeit automatisch KI-Programme, und viele dieser Programme erreichen bessere Leistungen als von menschlichen Ingenieuren entworfene Modelle. Die Google-Forscher konnten jedoch dieses System erweitern und veröffentlichten Forschungsergebnisse, die darauf hindeuten, dass das System möglicherweise verwendet werden könnte, um “neue, effizientere und leistungsfähigere Algorithmen” durch einen Prozess zu entdecken, der der Evolution ähnelt. Dieser Prozess basiert auf der Mutation mathematischer Funktionen und könnte auch dazu beitragen, den menschlichen Bias, der oft in KI-Systemen durch Daten entsteht, zu reduzieren.

Das Google-Forschungsteam veröffentlichte letzten Monat auf arXiv einen Vorabdruck eines Papiers mit dem Titel “Evolving Machine Learning Algorithms From Scratch”. Darin diskutiert das Forschungsteam sein neues System, das AutoML-Zero genannt wird. AutoML-Zero funktioniert, indem es grundlegende mathematische Operationen anpasst und diese als Bausteine für neue, komplexe Algorithmen verwendet. Systeme, die mit AutoML-Zero entworfen werden, könnten möglicherweise leistungsfähiger und genauer sein als viele andere KI-Systeme, aber das Forschungsteam testete den Prozess mit einem bestimmten Ziel im Sinn – der Beseitigung des menschlichen Bias in generischen Machine-Learning-Modellen und -Datensätzen. Die Forscher beschreiben das Problem in ihrem Forschungspapier wie folgt:

“Von Menschen entworfene Komponenten verzerren die Suchergebnisse zugunsten von von Menschen entworfenen Algorithmen, was möglicherweise das Innovationspotenzial von AutoML reduziert. Die Innovation ist auch durch weniger Optionen begrenzt: Man kann nicht entdecken, wonach man nicht sucht.”

AutoML-Zero funktioniert mit einem dreistufigen Ansatz: Einrichten, Vorhersagen und Lernen. AutoML-Zero beginnt damit, 100 Algorithmen zu erstellen, die durch die zufällige Kombination einfacher mathematischer Operationen entstehen, dann werden die Algorithmen gegeneinander antreten. Sobald die besten Algorithmen identifiziert sind, werden kleine Anpassungen an diesen Algorithmen vorgenommen und dann eine weitere Runde von Tests durchgeführt. Dieser Prozess des Wettbewerbs und der Mutation ähnelt einem “Survival-of-the-Fittest”-Auswahlprozess.

Laut Berichten kann der gesamte Prozess relativ schnell durchgeführt werden, da das System in der Lage ist, bis zu 10.000 mögliche Algorithmen pro Sekunde pro Prozessor zu verarbeiten. Es kann auch diese Tests mehr oder weniger 24/7 durchführen und dabei sehr wenig Input von menschlichen Operatoren benötigen.

Viele der beeindruckendsten algorithmischen Systeme heute sind nur geringfügige Variationen von Algorithmen, die eine lange Geschichte in der Informatik und KI haben und nur skaliert wurden. Laut Haran Jackson, wie von Newsweek zitiert, ist das Interessante an dem neuen Papier, dass das System möglicherweise brandneue Algorithmen entdecken könnte, die sich grundlegend von denen unterscheiden, die derzeit am häufigsten verwendet werden.

“Es gibt ein Gefühl unter vielen Mitgliedern der Gemeinschaft, dass die beeindruckendsten Leistungen der künstlichen Intelligenz nur mit der Erfindung neuer Algorithmen erreicht werden können, die sich grundlegend von denen unterscheiden, die wir als Spezies bisher entwickelt haben”, sagte Jackson. “Das ist es, was das oben genannte Papier so interessant macht. Es präsentiert eine Methode, mit der wir vollständig neue Machine-Learning-Algorithmen automatisch konstruieren und testen können.”

AutoML-Zero befindet sich noch in der Konzeptionsphase und viel Arbeit muss noch geleistet werden, bevor es in der Lage ist, Algorithmen zu produzieren, die so nützlich sind wie die, die die meisten fortschrittlichsten KI-Anwendungen heute antreiben. Dennoch könnte die auf dem System durchgeführte Forschung möglicherweise bereits nützlich sein, bevor AutoML-Zero fertiggestellt ist, und dabei helfen, wie andere Algorithmen von Ingenieuren entworfen werden.