Google-onderzoekers creëren systeem om nieuwe AI-algoritmes te ontwikkelen vanuit wiskundige bouwstenen

Machine learning maakt het mogelijk voor een computerapplicatie om bedreven te worden in een breed scala aan taken, maar het ontwerpen van een machine learning-architectuur van scratch en het trainen van die algoritme kan vaak veel tijd in beslag nemen. Volgens ScienceAlert hebben onderzoekers van Google (GOOGL ) Brain onlangs geëxperimenteerd met nieuwe manieren om AI-programma’s te creëren, waarbij technieken op basis van mutaties worden gebruikt die het mogelijk maken voor AI’s om “organisch” te evolueren.

Google’s AutoML-systeem creëert al een tijdje automatisch AI-programma’s, en veel van deze programma’s presteren beter dan modellen die zijn ontworpen door menselijke ingenieurs. Echter, de onderzoekers van Google konden dit systeem uitbreiden en onderzoek publiceren dat suggereert dat het systeem kan worden gebruikt om “nieuwe, efficiëntere en krachtigere algoritmes te ontdekken” via een proces dat evolutie imiteert. Dit proces is gebaseerd op de mutatie van wiskundige functies en kan ook helpen om de menselijke vooroordelen die vaak in AI-systemen terechtkomen via data te verminderen.

Het onderzoeksteam van Google heeft een paper gepubliceerd op arXiv, getiteld “Evolving Machine Learning Algorithms From Scratch”. Hierin bespreken de onderzoekers hun nieuwe systeem, genaamd AutoML-Zero. AutoML-Zero werkt door basiswiskundige operaties te gebruiken als bouwstenen voor nieuwe, geavanceerde algoritmes. Systemen die zijn ontworpen met AutoML-Zero kunnen mogelijk krachtiger en nauwkeuriger zijn dan veel andere AI’s, maar het onderzoeksteam testte het proces met een specifiek doel in gedachten – het verhelpen van menselijke vooroordelen in generieke machine learning-modellen en datasets. De onderzoekers beschrijven het probleem in hun onderzoeksrapport als volgt:

“Door menselijk ontworpen componenten worden de zoekresultaten bevooroordeeld in het voordeel van door de mens ontworpen algoritmes, waardoor de innovatiepotentie van AutoML mogelijk wordt verminderd. Innovatie wordt ook beperkt doordat er minder opties zijn: je kunt niet ontdekken wat je niet zoekt.”

AutoML-Zero werkt met een driedelige aanpak: setup, predict en learn. AutoML-Zero begint met het nemen van 100 algoritmes die zijn gegenereerd door de willekeurige combinatie van eenvoudige wiskundige operaties, waarna de algoritmes met elkaar worden vergeleken. Zodra de best presterende algoritmes zijn geïdentificeerd, worden kleine aanpassingen gemaakt aan deze algoritmes en wordt een nieuwe ronde van trials uitgevoerd. Dit proces van concurrentie en mutatie imiteert een “survival-of-the-fittest”-selectieproces.

Volgens rapporten kan het hele proces relatief snel worden uitgevoerd, aangezien het systeem in staat is om tot 10.000 mogelijke algoritmes per seconde per processor te verwerken. Het kan ook deze trials uitvoeren met minimale input van menselijke operators, 24/7.

Veel van de meest indrukwekkende algoritmische systemen van vandaag zijn slechts lichte variaties van algoritmes met een lange geschiedenis in computerwetenschap en AI, opgeschaald. Volgens Haran Jackson, zoals geciteerd door Newsweek, is het meest interessante aan het nieuwe paper dat het systeem mogelijk nieuwe, fundamenteel andere algoritmes kan ontdekken dan die welke het meest worden gebruikt.

“Er is een gevoel onder veel leden van de gemeenschap dat de meest indrukwekkende prestaties van kunstmatige intelligentie alleen kunnen worden bereikt met de uitvinding van nieuwe algoritmes die fundamenteel anders zijn dan die welke wij als soort tot nu toe hebben bedacht”, zei Jackson. “Dit is wat het genoemde paper zo interessant maakt. Het presenteert een methode waarmee we automatisch nieuwe, volledig nieuwe machine learning-algoritmes kunnen construeren en testen.”

AutoML-Zero is nog in de proof-of-concept-fase en er moet nog veel werk worden verzet voordat het in staat is om algoritmes te produceren die zo nuttig zijn als die welke de meest geavanceerde AI-toepassingen van vandaag aandrijven. Niettemin kan het onderzoek dat op het systeem is uitgevoerd mogelijk nuttig blijken, zelfs voordat AutoML-Zero is voltooid, door te informeren over hoe andere algoritmes door ingenieurs worden ontworpen.