Η Πολυμορφική Μάθηση Γίνεται Προεξέχουσα Μεταξύ των Ανεπτύξαντων του AI

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

Η κεντρική концепτός 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 της 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, συγκριτικά λίγες θα είναι διαλειτουργικές στο βραχύ χρονικό διάστημα.»

Αυτό θα μπορούσε να αντιπροσωπεύει μια σημαντική σπατάλη χρόνου, ενέργειας και πόρων, «αντί να συνδυάσουν τα γιγαμπάιτ με τα πεταμπάιτ δεδομένων που διαρρέουν μέσα από αυτά σε ένα ενιαίο μοντέλο ή πλαίσιο AI, θα λειτουργούν ανεξάρτητα και ετερογενώς για να δώσουν νόημα στα δεδομένα που τους παρέχονται.»

Για να υπερβούν αυτό, η ABI προτείνει πολυμορφική μάθηση, μια μεθοδολογία που θα μπορούσε να συντηρήσει δεδομένα «από διάφορους αισθητήρες και εισόδους σε ένα ενιαίο 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.»

Η 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 αυτού, 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, η ABI σημειώνει ότι ακόμη και οι τεχνολογικοί γίγαντες όπως η IBM, η Microsoft, η Amazon και η Google συνεχίζουν να επικεντρώνονται κυρίως σε μονομορφικά συστήματα. Ένας από τους λόγους είναι οι προκλήσεις που θα αντιπροσώπευε μια τέτοια αλλαγή.

Ωστόσο, οι ερευνητές της ABI προβλέπουν ότι «το συνολικό αριθμό 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, υγείας και μέσων ενημέρωσης.» Μεταξύ των παραδειγμάτων των εταιρειών που έχουν ήδη εφαρμόσει πολυμορφική μάθηση, αναφέρουν Waymo, η οποία χρησιμοποιεί τέτοιες προσεγγίσεις για να κατασκευάσει «υπερ-ενημερωμένα αυτοκινούμενα οχήματα», και Intel Labs, όπου η ομάδα μηχανικών της εταιρείας «ερευνά τεχνικές για τη συλλογή δεδομένων αισθητήρων σε πραγματικά περιβάλλοντα.»

Ο Omesh Tickoo, αρχισυντάκτης του Intel Labs, εξήγησε στη 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 έναντι του άλλου σε διαφορετικά διαστήματα και επιλέγει το σωστό μείγμα για να μας δώσει την απάντηση που ψάχνουμε.»

Η VB σημειώνει ότι η μονομορφική μάθηση θα παραμείνει κυρίαρχη 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 επεξεργασία γίνεται πιο κλιμακωτή, η πολυμορφική μάθηση θα αυξηθεί πιθανότατα σε προεξέχουσα θέση.»