A Google rendszert hoz létre matematikai építőelemekből új mesterséges intelligencia-algoritmusok kifejlesztésére

A gépi tanulás lehetővé teszi a számítógépes alkalmazások számára, hogy sokféle feladatban jártassá váljanak, de gyakran hosszú időt vesz igénybe a gépi tanulási architektúra a semmiből történő tervezése, majd az algoritmus betanítása. Amint arról a ScienceAlert beszámolt, a Google Brain kutatói a közelmúltban kísérleteztek mesterséges intelligencia-programok létrehozásának új módszereivel, olyan mutációkon alapuló technikákat alkalmazva, amelyek lehetővé teszik a mesterséges intelligencia szerves „fejlődését”.

A Google AutoML rendszere már egy ideje automatikusan MI-programokat hoz létre, és ezek közül a programok közül sok jobb teljesítményt ér el, mint az emberi mérnökök által tervezett modellek. A Google kutatói azonban kiterjeszthették ezt a rendszert, és olyan kutatásokat tettek közzé, amelyek azt sugallják, hogy a rendszer felhasználható új, hatékonyabb és erőteljesebb algoritmusok „felfedezésére” egy olyan folyamaton keresztül, amely az evolúciót tükrözi. Ez a folyamat a matematikai függvények mutációján alapul, és segíthet csökkenteni az emberi torzítást, amely gyakran az AI-rendszerekbe kerül az adatokon keresztül.

A Google kutatócsoportja előre kiadott egy dolgozatot az arXiv utolsó hónapjában, „Evolving Machine Learning Algorithms From Scratch” címmel. Ebben a kutatócsoport az AutoML-Zero névre keresztelt új rendszerüket tárgyalja. Az Auto-ML Zero alapvető matematikai műveletek módosításával működik, és új, kifinomult algoritmusok építőköveként használja őket. Az AutoML-Zero-val tervezett rendszerek potenciálisan erősebbek és pontosabbak lehetnek, mint sok más mesterséges intelligencia, de a kutatócsoport egy konkrét célt szem előtt tartva tesztelte a folyamatot – az emberi torzítás rögzítését az általános gépi tanulási modellekben és adatkészletekben. A kutatók a problémát tanulmányukban írják le:

„Az ember által tervezett komponensek a keresési eredményeket az ember által tervezett algoritmusok javára torzítják, ami valószínűleg csökkenti az AutoML innovációs potenciálját. Az innovációt az is korlátozza, hogy kevesebb a lehetőség: nem fedezheted fel azt, amit nem tudsz keresni."

Az AutoML-Zero háromlépéses megközelítéssel működik: beállítás, előrejelzés és tanulás. Az AutoML-Zero úgy kezdődik, hogy 100 egyszerű matematikai műveletek véletlenszerű kombinációjával létrehozott algoritmust vesz, majd az algoritmusokat szembeállítja egymással. A legjobban teljesítő algoritmusok azonosítása után apró módosításokat hajtanak végre ezeken az algoritmusokon, majd újabb kísérleteket hajtanak végre. Ez a versengés és mutáció folyamata a „legrátermettebb túlélése” szelekciós folyamatot utánozza.

Állítólag a teljes folyamat meglehetősen gyorsan kivitelezhető, hiszen processzoronként másodpercenként akár 10,000 24 lehetséges algoritmus feldolgozására is képes a rendszer. Ezeket a kísérleteket többé-kevésbé a hét minden napján, napi 7 órában is végrehajtja, és továbbra is csak nagyon kevés emberi beavatkozással folytatja a kísérletezést.

A mai leglenyűgözőbb algoritmusrendszerek közül sok csak az algoritmusok apró változatai, amelyek nagy múltra tekintenek vissza a számítástechnikában és a mesterséges intelligencia területén, felnagyítva. A Newsweek által idézett Haran Jackson szerint az a legérdekesebb az új lapban, hogy a rendszer potenciálisan vadonatúj algoritmusokat fedezhet fel, amelyek gyökeresen eltérnek a legszélesebb körben használtaktól.

"A közösség sok tagja úgy érzi, hogy a mesterséges intelligencia leglenyűgözőbb bravúrjait csak új algoritmusok feltalálásával lehet elérni, amelyek alapvetően különböznek azoktól, amelyeket mi, mint fajok eddig kitaláltunk." - mondta Jackson. „Ez az, ami miatt a fent említett újság olyan érdekes. Egy olyan módszert mutat be, amellyel automatikusan létrehozhatunk és tesztelhetünk teljesen újszerű gépi tanulási algoritmusokat.”

Az AutoML-Zero még mindig a koncepció bizonyítási fázisában van, és még sok munkát kell végezni rajta, mielőtt olyan hasznos algoritmusokat tudna előállítani, mint azok, amelyek napjaink legmodernebb AI-alkalmazásait hajtják. Mindazonáltal a rendszeren végzett kutatás hasznosnak bizonyulhat még az AAutoML-Zero befejezése előtt is, tájékoztatva arról, hogyan terveznek más algoritmusokat a mérnökök.