Google-tutkijat luovat järjestelmän, joka kehittää uusia tekoälyalgoritmeja matemaattisista rakennuslohkoista

Tekoäly mahdollistaa tietokoneohjelmalle monien tehtävien hallinnan, mutta se vaatii usein pitkän ajan suunnitella koneoppimisarkkitehtuuri alusta alkaen ja kouluttaa sitten algoritmi. ScienceAlertin mukaan Google Brain -tutkijat ovat kokeilleet uusia tapoja luoda tekoälyohjelmia, jotka perustuvat mutaatioihin, jotka mahdollistavat tekoälyjen “evoluution” luonnollisesti.

Google:n AutoML-järjestelmä on luonut automaattisesti tekoälyohjelmia jo jonkin aikaa, ja monet näistä ohjelmista saavuttavat paremman suorituskyvyn kuin ihmisten suunnittelemat mallit. Google-tutkijat pystyivät kuitenkin laajentamaan tätä järjestelmää ja julkaisivat tutkimuksen, joka osoittaa, että järjestelmää voidaan käyttää uusien, tehokkaampien ja voimakkaampien algoritmien “löytämiseen” prosessin kautta, joka jäljittelee evoluutiota. Tämä prosessi perustuu matemaattisten funktioiden mutaatioon, ja se voi myös auttaa vähentämään ihmisen harhaa, joka usein löytää tiensä tekoälyjärjestelmiin datan kautta.

Google-tutkijaryhmä julkaisi esitutkimuksen viime kuussa arXiv:ssä, jonka otsikko on “Evolving Machine Learning Algorithms From Scratch”. Siinä tutkijaryhmä käsittelee uutta järjestelmäänsä, jota kutsutaan AutoML-Zeroksi. AutoML-Zero toimii muokkaamalla perusmatemaattisia operaatioita ja käyttää niitä uusien, monimutkaisten algoritmien rakennuslohkoina. AutoML-Zerolla suunnitellut järjestelmät voivat olla tehokkaampia ja tarkempia kuin monet muut tekoälyt, mutta tutkijaryhmä testasi prosessia tietyn tavoitteen saavuttamiseksi – ihmisen harhan korjaamiseksi yleisissä koneoppimismalleissa ja tietojoukoissa. Tutkijat kuvaavat ongelmaa tutkimuspaperissaan:

“Ihmisen suunnittelemat komponentit vaikuttavat hakutuloksiin ihmisen suunnittelemien algoritmien suhteen, mikä voi vähentää AutoML:n innovaatiopotentiaalia. Innovointi on myös rajoitettu, koska on vähemmän vaihtoehtoja: et voi löytää sitä, mitä et voi etsiä.”

AutoML-Zero toimii kolmen vaiheen prosessilla: asetus, ennustus ja oppiminen. AutoML-Zero aloittaa ottamalla 100 algoritmiä, jotka on luotu satunnaisen yhdistelmän kautta yksinkertaisista matemaattisista operaatioista, ja sitten algoritmit asetetaan toisiinsa nähden. Kun parhaat algoritmit on tunnistettu, niissä tehdään pieniä muutoksia, ja sitten toinen kierros kokeita suoritetaan. Tämä kilpailun ja mutaation prosessi jäljittelee “luonnonvalinnan” prosessia.

Raportoiden mukaan koko prosessi voidaan suorittaa melko nopeasti, koska järjestelmä pystyy prosessoimaan jopa 10 000 mahdollista algoritmiä sekunnissa prosessoria kohden. Se voi myös suorittaa nämä kokeet melkein 24/7, jatkaen kokeiden suorittamista hyvin vähäisellä ihmisten toiminnalla.

Monet nykyään vaikuttavimmat algoritmiset järjestelmät ovat vain hieman muunnelmia algoritmeista, joilla on pitkä historia tietokoneessa ja tekoälyssä, skaalattuna ylös. Haran Jacksonin mukaan, kuten Newsweek kertoo, uuden tutkimuksen mielenkiintoisin asia on, että järjestelmä voi mahdollisesti löytää täysin uusia algoritmeja, jotka poikkeavat radikaalisti nykyään laajimmin käytetyistä algoritmeista.

“On olemassa tunne monien yhteisön jäsenten keskuudessa, että tekoälyn vaikuttavimmat saavutukset voidaan saavuttaa vain keksimällä uusia algoritmeja, jotka ovat perustavanlaatuisesti erilaisia kuin ne, joita me ihmiset olemme keksineet”, sanoi Jackson. “Tämä on se, mikä tekee mainitun tutkimuksen niin kiinnostavana. Se esittää menetelmän, jolla voidaan automaattisesti rakentaa ja testata täysin uusia koneoppimisalgoritmeja.”

AutoML-Zero on edelleen osoituskonseptin vaiheessa, ja paljon työtä on tehtävä ennen kuin se pystyy tuottamaan algoritmeja, jotka ovat yhtä hyödyllisiä kuin ne, jotka ohjaavat nykyään vaikuttavimmat tekoälysovellukset. Kuitenkin tutkimus, jota tehtiin järjestelmästä, voi osoittautua hyödylliseksi jo ennen kuin AutoML-Zero on valmis, ja se voi informoida, miten muita algoritmeja suunnitellaan insinöörien toimesta.