Οι ερευνητές του Google Δημιουργούν Σύστημα για την Εξέλιξη Νέων Αλγορίθμων Τεχνητής Νοημοσύνης από Μαθηματικά Κτίρια

Η μηχανική μάθηση επιτρέπει σε μια εφαρμογή υπολογιστή να γίνει ικανή σε eine ευρεία ποικιλία εργασιών, αλλά συχνά χρειάζεται πολύ χρόνος για να σχεδιαστεί μια αρχιτεκτονική μηχανικής μάθησης από την αρχή και να εκπαιδευτεί αυτή η αρχιτεκτονική. Όπως αναφέρεται στο ScienceAlert, ερευνητές στο Google (GOOGL ) Brain έχουν πειραματιστεί πρόσφατα με νέους τρόπους δημιουργίας προγραμμάτων Τεχνητής Νοημοσύνης, χρησιμοποιώντας τεχνικές που βασίζονται σε μεταλλάξεις που επιτρέπουν στα προγράμματα Τεχνητής Νοημοσύνης να “εξελιχθούν” οργανικά.

Το σύστημα AutoML της Google δημιουργεί αυτόματα προγράμματα Τεχνητής Νοημοσύνης για κάποιο χρόνο τώρα, και πολλά από αυτά τα προγράμματα επιτύγχανον καλύτερη απόδοση από τα μοντέλα που σχεδιάστηκαν από ανθρώπινους μηχανικούς. Ωστόσο, οι ερευνητές της Google μπόρεσαν να επεκτείνουν αυτό το σύστημα, δημοσιεύοντας έρευνα που υποδηλώνει ότι το σύστημα θα μπορούσε να χρησιμοποιηθεί για να “ανακαλύψει” νέους, πιο αποτελεσματικούς και ισχυρούς αλγορίθμους μέσω μιας διαδικασίας που αντικατοπτρίζει την εξέλιξη. Αυτή η διαδικασία βασίζεται στη μεταλλαξή μαθηματικών συναρτήσεων και θα μπορούσε επίσης να βοηθήσει στη μείωση των ανθρώπινων προκαταλήψεων που συχνά εισάγονται στα συστήματα Τεχνητής Νοημοσύνης μέσω των δεδομένων.

Η ερευνητική ομάδα του Google δημοσίευσε ένα έγγραφο πριν από ένα μήνα στο arXiv, με τίτλο “Εξέλιξη Αλγορίθμων Μηχανικής Μάθησης από την Αρχή”. Στο έγγραφο, η ερευνητική ομάδα συζητά το νέο σύστημα, που ονομάζεται AutoML-Zero. Το Auto-ML Zero λειτουργεί με τη ρύθμιση βασικών μαθηματικών λειτουργιών, χρησιμοποιώντας τις ως τα κτίρια για νέους, πολύπλοκους αλγορίθμους. Τα συστήματα που σχεδιάστηκαν με το AutoML-Zero θα μπορούσαν να είναι πιο ισχυρά και ακριβή από πολλά άλλα συστήματα Τεχνητής Νοημοσύνης, αλλά η ερευνητική ομάδα έθεσε ως στόχο να διορθώσει τις ανθρώπινες προκαταλήψεις μέσα στα γενικά μοντέλα μηχανικής μάθησης και τα δεδομένα. Οι ερευνητές περιγράφουν το πρόβλημα στο έγγραφό τους:

“Τα ανθρώπινα σχεδιασμένα συστατικά προκαλούν προκαταλήψεις στα αποτελέσματα της αναζήτησης προς όφελος των ανθρώπινων αλγορίθμων, πιθανώς μειώνοντας το потенциάλ για καινοτομία του AutoML. Η καινοτομία περιορίζεται επίσης από το ότι υπάρχουν λιγότερες επιλογές: δεν μπορείτε να ανακαλύψετε αυτό που δεν ψάχνετε.”

Το AutoML-Zero λειτουργεί με μια τριβή προσέγγιση: ρύθμιση, πρόβλεψη και μάθηση. Το AutoML-Zero αρχίζει με 100 αλγορίθμους που δημιουργούνται μέσω της τυχαίας συνδυασμού απλών μαθηματικών λειτουργιών, και στη συνέχεια οι αλγόριθμοι αντιπαρατίθενται. Μόλις τα καλύτερα αλγόριθμοι αναγνωριστούν, γίνονται μικρές ρυθμίσεις σε αυτούς τους αλγορίθμους και στη συνέχεια γίνεται ένας άλλος γύρος δοκιμών. Αυτή η διαδικασία ανταγωνισμού και μεταλλάξεως μιμείται μια διαδικασία “επιλογής του ισχυρότερου”.

Κατά πληροφορίες, ολόκληρη η διαδικασία μπορεί να thựcτοποιηθεί αρκετά γρήγορα, καθώς το σύστημα είναι ικανό να επεξεργαστεί μέχρι 10.000 πιθανές αλγορίθμους ανά δευτερόλεπτο ανά επεξεργαστή. Μπορεί επίσης να εκτελέσει αυτές τις δοκιμές σχεδόν 24/7, συνεχίζοντας να πειραματίζεται με πολύ λίγη εισαγωγή από ανθρώπινους χειριστές.

Πολλοί από τους πιο εντυπωσιακούς αλγορίθμους σήμερα είναι απλές παραλλαγές αλγορίθμων που έχουν μια μακρά ιστορία στην επιστήμη υπολογιστών και την Τεχνητή Νοημοσύνη, κλιμακωτοί. Σύμφωνα με τον Haran Jackson, όπως αναφέρεται στο Newsweek, το πιο ενδιαφέρον πράγμα για το νέο έγγραφο είναι ότι το σύστημα θα μπορούσε να ανακαλύψει εντελώς νέους αλγορίθμους που διαφέρουν ριζικά από εκείνους που χρησιμοποιούνται περισσότερο.

“Υπάρχει μια αίσθηση μεταξύ πολλών μελών της κοινότητας ότι οι πιο εντυπωσιακές επιτεύξεις της Τεχνητής Νοημοσύνης θα επιτευχθούν μόνο με την εφεύρεση νέων αλγορίθμων που είναι фундамεντάλ διαφορετικοί από εκείνους που έχουμε μέχρι τώρα αναπτύξει ως είδος”, είπε ο Jackson. “Αυτό είναι που κάνει το παραπάνω έγγραφο τόσο ενδιαφέρον. Παρουσιάζει μια μέθοδο με την οποία μπορούμε να κατασκευάσουμε και να δοκιμάσουμε εντελώς νέους αλγορίθμους μηχανικής μάθησης.”

Το AutoML-Zero βρίσκεται ακόμη στη φάση της απόδειξης της концепτός και θα πρέπει να γίνει πολύ περισσότερη δουλειά πάνω του πριν είναι ικανό να παράγει αλγορίθμους που είναι τόσο χρήσιμοι όσο εκείνοι που οδηγούν τις πιο προηγμένες εφαρμογές Τεχνητής Νοημοσύνης σήμερα. Παρόλα αυτά, η έρευνα που διεξήχθη στο σύστημα μπορεί να αποδειχθεί χρήσιμη ακόμη και πριν ολοκληρωθεί το AutoML-Zero, ενημερώνοντας πώς σχεδιάζονται άλλοι αλγόριθμοι από μηχανικούς.