Η Πολυμορφική Μάθηση Γίνεται Προεξάρχουσα Μεταξύ των Ανπτυκτών του AI

Venture Beat (VB) αφιέρωσε μια από τις εβδομαδιαίες της αναφορές στα πλεονεκτήματα της πολυμορφικής μάθησης στην ανάπτυξη της τεχνητής νοημοσύνης. Η πρόκλησή τους ήταν μια αναφορά από το ABI Research για το θέμα.

Η κεντρική концепция έγκειται στο γεγονός ότι «τα σύνολα δεδομένων είναι θεμελιώδεις δομικοί λίθοι των συστημάτων AI» και ότι χωρίς σύνολα δεδομένων, «τα μοντέλα δεν μπορούν να μάθουν τις σχέσεις που ενημερώνουν τις προβλέψεις τους». Η αναφορά του ABI προβλέπει ότι «ενώ η συνολική εγκατεστημένη βάση των συσκευών AI θα αυξηθεί από 2,69 δισεκατομμύρια το 2019 σε 4,47 δισεκατομμύρια το 2024, σχετικά λίγες θα είναι διαλειτουργικές στο σύντομο χρονικό διάστημα».

Αυτό θα μπορούσε να αντιπροσωπεύει μια σημαντική σπατάλη χρόνου, ενέργειας και πόρων, «αντί να συνδυάσουν τα γιγαμπάιτ έως πεταμπάιτ δεδομένων που ρέουν μέσω τους σε ένα單ο μοντέλο ή πλαίσιο AI, θα λειτουργούν ανεξάρτητα και ετερογενώς για να δώσουν νόημα στα δεδομένα που τους δίνονται».

Για να ξεπεραστούν αυτά, το ABI προτείνει πολυμορφική μάθηση, μια μεθοδολογία που θα μπορούσε να συνδυάσει δεδομένα «από διάφορους αισθητήρες και εισόδους σε ένα單ο σύστημα. Η πολυμορφική μάθηση μπορεί να μεταφέρει συμπληρωματικές πληροφορίες ή τάσεις, οι οποίες συχνά γίνονται εμφανείς μόνο όταν περιλαμβάνονταιすべて στη διαδικασία μάθησης».

Το VB παρουσιάζει ένα εύλογο παράδειγμα που λαμβάνει υπόψη εικόνες και κείμενα λεζάντων. «Αν διαφορετικά λόγια ζευγαρώνονται με παρόμοιες εικόνες, αυτά τα λόγια είναι πιθανό να χρησιμοποιούνται για να περιγράψουν τα ίδια πράγματα ή αντικείμενα. Αντιστρόφως, αν κάποια λόγια εμφανίζονται δίπλα σε διαφορετικές εικόνες, αυτό υποδηλώνει ότι αυτές οι εικόνες αντιπροσωπεύουν το ίδιο αντικείμενο. Δεδομένου этого, θα πρέπει να είναι δυνατό για ένα μοντέλο AI να προβλέψει αντικείμενα εικόνων από περιγραφές κειμένου, και στην πραγματικότητα, ένα σώμα ακαδημαϊκής βιβλιογραφίας έχει αποδείξει ότι αυτό είναι ο caso».

Παρά τα πιθανά πλεονεκτήματα, το ABI σημειώνει ότι ακόμη και οι τεχνολογικοί γίγαντες όπως η IBM, η Microsoft (MSFT ), η Amazon (AMZN ) και η Google (GOOGL ) συνεχίζουν να επικεντρώνονται κυρίως σε μονομορφικά συστήματα. Ένας από τους λόγους είναι οι προκλήσεις που θα αντιπροσώπευε μια τέτοια αλλαγή».

Ωστόσο, οι ερευνητές του ABI προβλέπουν ότι «ο συνολικός αριθμός των συσκευών που θα πωληθούν θα αυξηθεί από 3,94 εκατομμύρια το 2017 σε 514,12 εκατομμύρια το 2023, με έμφαση στην υιοθέτηση στους τομείς ρομποτικής, καταναλωτικών, υγειονομικής περίθαλψης και μέσων και ψυχαγωγίας». Μεταξύ των παραδειγμάτων των εταιρειών που έχουν ήδη εφαρμόσει πολυμορφική μάθηση, αναφέρουν την Waymo, η οποία χρησιμοποιεί τέτοιες προσεγγίσεις για να κατασκευάσει «υπερ-ενημερωμένα αυτονομικά οχήματα», και τα Intel Labs (INTC ), όπου η ομάδα μηχανικών της εταιρείας «ερευνά τεχνικές για τη συλλογή δεδομένων αισθητήρων σε πραγματικές περιβαλλοντικές συνθήκες».

Ο Omesh Tickoo, αρχισυντάκτης μηχανικός των Intel Labs, ανέφερε στο VB ότι «Αυτό που κάναμε είναι, χρησιμοποιώντας τεχνικές για να κατανοήσουμε το контέκστ, όπως η ώρα της ημέρας, κατασκευάσαμε ένα σύστημα που σας λέει όταν τα δεδομένα ενός αισθητήρα δεν είναι της υψηλότερης ποιότητας. Δεδομένου αυτής της αξιοπιστίας, ζυγίζει διαφορετικούς αισθητήρες σε διαφορετικά χρονικά διαστήματα και επιλέγει το σωστό μείγμα για να μας δώσει την απάντηση που ψάχνουμε».

Το VB σημειώνει ότι η μονομορφική μάθηση θα παραμείνει κυρίαρχη εκεί όπου είναι υψηλά αποτελεσματική – σε εφαρμογές όπως η αναγνώριση εικόνων και η επεξεργασία φυσικής γλώσσας. Ταυτόχρονα, προβλέπει ότι «όσο τα ηλεκτρονικά γίνονται φθηνότερα και η υπολογιστική ισχύς γίνεται πιο κλιμακωτή, η πολυμορφική μάθηση θα αυξηθεί σε προεξάρχουσα θέση».