Ερευνητές του Google Δημιουργούν Σύστημα για την Εξέλιξη Νέων Αλγορίθμων Τεχνητής Νοημοσύνης από Μαθηματικά Κτιριακά Μπλοκ

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 το μηδέν και στη συνέχεια να εκπαιδευτεί ο αλγόριθμος. Όπως αναφέρθηκε από το ScienceAlert, ερευνητές στο Google Brain έχουν πειραματιστεί πρόσφατα με νέους τρόπους δημιουργίας προγραμμάτων Τεχνητής Νοημοσύνης, χρησιμοποιώντας τεχνικές που βασίζονται σε μεταλλάξεις που επιτρέπουν στα Τεχνητά Νοημοσύνη να «εξελιχθούν» οργανικά.

Το σύστημα AutoML της Google δημιουργεί αυτόματα προγράμματα Τεχνητής Νοημοσύνης για κάποιο καιρό τώρα, και πολλά από αυτά τα προγράμματα επιτύγχαναν 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 των μαθηματικών συναρτήσεων και θα μπορούσε επίσης να βοηθήσει στη μείωση του ανθρώπινου προκαταλήψεως που συχνά βρίσκεται στα συστήματα Τεχνητής Νοημοσύνης μέσω των δεδομένων.

Η ερευνητική ομάδα του Google δημοσίευσε μια εργασία πριν από ένα μήνα στο arXiv, με τίτλο “Εξέλιξη Αλγορίθμων Μηχανικής Μάθησης από το Μηδέν”. Σε αυτήν, η ερευνητική ομάδα συζητά το νέο σύστημα, που ονομάζεται AutoML-Zero. Το AutoML-Zero λειτουργεί με την τροποποίηση βασικών μαθηματικών λειτουργιών, χρησιμοποιώντας τις ως τα κτιριακά μπλοκ για νέους, σύνθετους 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 έκανε το τεστ με ένα συγκεκριμένο στόχο – την επιδιόρθωση του ανθρώπινου προκαταλήψεως μέσα στα γενικά μοντέλα μηχανικής μάθησης και τα δεδομένα. Οι ερευνητές περιγράφουν το πρόβλημα στην έρευνά τους:

“Τα ανθρώπινα σχεδιασμένα στοιχεία προκαλούν την προκατάληψη των αποτελεσμάτων αναζήτησης υπέρ των ανθρώπινων αλγορίθμων, πιθανώς μειώνοντας το δυναμικό καινοτομίας του AutoML. Η καινοτομία περιορίζεται επίσης από το ότι υπάρχουν λιγότερες επιλογές: δεν μπορείτε να ανακαλύψετε ότι δεν ψάχνετε.”

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

Σύμφωνα με τις αναφορές, ολόκληρη η διαδικασία μπορεί να thựcτοποιηθεί khá γρήγορα, καθώς το σύστημα είναι ικανό να επεξεργαστεί μέχρι 10.000 πιθανούς αλγορίθμους ανά δευτερόλεπτο ανά επεξεργαστή. Μπορεί επίσης να πραγματοποιήσει αυτές τις δοκιμές σχεδόν 24/7, συνεχίζοντας να πειραματίζεται με πολύ λίγη εισαγωγή από ανθρώπινους χειριστές.

Πολλοί από τους πιο εντυπωσιακούς αλγορίθμους συστημάτων σήμερα είναι απλά μικρές παραλλαγές αλγορίθμων που έχουν μια μακρά ιστορία στην επιστήμη των υπολογιστών και την Τεχνητή Νοημοσύνη, κλιμακωμένα. Σύμφωνα με τον Haran Jackson, όπως αναφέρθηκε από το 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 πιο συχνά.

“Υπάρχει μια αίσθηση μεταξύ πολλών μελών της κοινότητας ότι τα πιο εντυπωσιακά επιτεύγματα της Τεχνητής Νοημοσύνης θα επιτευχθούν μόνο με την εφεύρεση νέων αλγορίθμων που είναι θεμελιωδώς διαφορετικοί από εκείνους που έχουμε ως είδος until τώρα,” είπε ο Jackson. “Αυτό είναι που κάνει το προαναφερθέν έγγραφο τόσο ενδιαφέρον. Παρουσιάζει μια μέθοδο με την οποία podemos να κατασκευάσουμε και να δοκιμάσουμε εντελώς νέους αλγορίθμους μηχανικής μάθησης.”

Το AutoML-Zero βρίσκεται ακόμη στη φάση της απόδειξης της концепτός και θα χρειαστεί πολύ περισσότερη δουλειά για να 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 το AutoML-Zero ολοκληρωθεί, ενημερώνοντας πώς σχεδιάζονται άλλοι αλγόριθμοι από τους μηχανικούς.