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

Koneoppiminen mahdollistaa tietokoneohjelman taitavuuden laajassa valikoimassa tehtävissä, mutta se vaatii usein pitkän ajan suunnitella koneoppimisarkkitehtuuri alusta alkaen ja kouluttaa sitten algoritmi. ScienceAlertin mukaan Google (GOOGL ) Brain -tutkijat ovat kokeilleet uusia tapoja luoda tekoälyohjelmia, jotka perustuvat mutaatioihin, jotka mahdollistavat tekoälyjen “evoluution” luonnollisesti.

Google:n AutoML-järjestelmä on luonut tekoälyohjelmia automaattisesti 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 järjestelmä 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 tulee tekoälyjärjestelmiin datan kautta.

Google-tutkimusryhmä julkaisi tutkimuksensa viime kuussa arXiv:ssä, ja siinä tutkijat esittävät uuden järjestelmänsä, jota kutsutaan AutoML-Zeroksi. AutoML-Zero toimii muokkaamalla perusmatemaattisia operaatioita ja käyttämällä niitä uusien, monimutkaisten algoritmien rakennuslohkoina. AutoML-Zerolla suunnitellut järjestelmät voivat olla tehokkaampia ja tarkempia kuin monet muut tekoälyjärjestelmät, mutta tutkimusryhmä testasi tätä prosessia tietyn tavoitteen saavuttamiseksi – ihmisen harhan korjaamiseksi yleisissä koneoppimismalleissa ja tietojoukoissa. Tutkijat kuvaavat ongelmaa tutkimusraportissaan:

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

AutoML-Zero toimii kolmivaiheisella lähestymistavalla: asetus, ennustaminen ja oppiminen. AutoML-Zero aloittaa ottamalla 100 algoritmia, jotka on luotu satunnaisen yhdistelmän avulla perusmatemaattisista 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.

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

Monet nykyään vaikuttavimmista algoritmisten järjestelmistä ovat vain hieman muunnelmia algoritmeista, jotka ovat olleet olemassa pitkään tietokoneiden ja tekoälyn tutkimuksessa, skaalattuna ylös. Haran Jacksonin mukaan, kuten Newsweek kertoo, uuden tutkimuksen kiinnostavin asia on, että järjestelmä voi mahdollisesti löytää täysin uusia algoritmeja, jotka poikkeavat radikaalisti nykyään yleisimmin käytetyistä algoritmeista.

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

AutoML-Zero on edelleen todistusvaiheessa, ja paljon työtä on tehtävä, ennen kuin se pystyy tuottamaan algoritmeja, jotka ovat yhtä hyviä kuin ne, jotka ohjaavat nykyään vaikuttavimmat tekoälysovellukset. Kuitenkin tutkimus, jota tehtiin järjestelmän parissa, voi osoittautua hyödylliseksi jo ennen kuin AutoML-Zero on valmis, ja se voi antaa tietoa siitä, miten muita algoritmeja suunnitellaan insinöörien toimesta.