Google-forskere utvikler system for å utvikle nye AI-algoritmer fra matematiske byggestener

Maskinlæring gjør det mulig for en dataprogramvare å bli dyktig i en rekke oppgaver, men det kan ofte ta lang tid å designe en maskinlæringarkitektur fra scratch og deretter trene algoritmen. Ifølge ScienceAlert har forskere ved Google (GOOGL ) Brain nylig eksperimentert med nye måter å lage AI-programmer på, ved å bruke tekniker basert på mutasjoner som gjør det mulig for AI å “evolvere” organisk.

Googles AutoML-system har i en stund nå automatisk laget AI-programmer, og mange av disse programmene oppnår bedre resultater enn modeller designet av menneskelige ingeniører. Imidlertid var Google-forskerne i stand til å utvide dette systemet, og publiserte en rapport som antyder at systemet kunne brukes til å “oppdage” nye, mer effektive og kraftfulle algoritmer gjennom en prosess som speiler evolusjon. Denne prosessen er basert på mutasjon av matematiske funksjoner, og kunne også hjelpe med å redusere den menneskelige forutinntakten som ofte finner vei inn i AI-systemer gjennom data.

Google-forskingsteamet publiserte en rapport forrige måned på arXiv, med tittelen “Evolving Machine Learning Algorithms From Scratch”. I den diskuterer forskningsteamet sitt nye system, kalt AutoML-Zero. Auto-ML Zero opererer ved å justere grunnleggende matematiske operasjoner, og bruke disse som byggestener for nye, sofistikerte algoritmer. Systemer designet med AutoML-Zero kunne potensielt være mer kraftfulle og nøyaktige enn mange andre AI-systemer, men forskningsteamet testet prosessen med et bestemt mål for øye – å fikse den menneskelige forutinntakten i generiske maskinlæringsmodeller og datasamlinger. Forskerne beskriver problemet i sin rapport som følger:

“Menneske-designet komponenter forårsaker forutinntakten i søkeresultatene til fordel for menneske-designet algoritmer, muligens reduserer innovasjons-potensialet til AutoML. Innovasjon er også begrenset av å ha færre alternativer: du kan ikke oppdage det du ikke søker etter.”

AutoML-Zero opererer med en tre-stegs-tilnærming: oppsett, forutsi og læring. AutoML-Zero starter med å ta 100 algoritmer skapt gjennom tilfeldig kombinasjon av enkle matematiske operasjoner, deretter blir algoritmene satt opp mot hverandre. Når de beste algoritmene er identifisert, gjøres små justeringer av disse algoritmene, og deretter blir en ny runde av prøver gjennomført. Denne prosessen med konkurranse og mutasjon speiler en “survival-of-the-fittest”-seleksjonsprosess.

Hele prosessen kan utføres ganske raskt, da systemet kan prosessere opptil 10 000 mulige algoritmer per sekund per prosessor. Det kan også utføre disse prøvene mer eller mindre 24/7, og fortsette å eksperimentere med svært lite innputt fra menneskelige operatører.

Mange av de mest imponerende algoritmiske systemene i dag er bare små variasjoner av algoritmer som har en lang historie i datavitenskap og AI, skalert opp. Ifølge Haran Jackson, som er sitert av Newsweek, er det mest interessante med den nye rapporten at systemet potensielt kunne oppdage helt nye algoritmer som radikalt skiller seg fra de som er mest brukte.

“Det er en følelse blant mange medlemmer av samfunnet at de mest imponerende bedriftene innen kunstig intelligens bare vil bli oppnådd med oppfinnelsen av nye algoritmer som er fundamentalt forskjellige fra de vi som art har lagt frem så langt,” sa Jackson. “Dette er hva som gjør den ovennevnte rapporten så interessant. Den presenterer en metode for å automatisk konstruere og teste helt nye maskinlæringsalgoritmer.”

AutoML-Zero er fortsatt i proof-of-concept-fasen, og mye arbeid må gjøres på det før det er i stand til å produsere algoritmer som er like nyttige som de som driver dagens mest avanserte AI-applikasjoner. Likevel kan forskningen som er gjort på systemet vise seg å være nyttig selv før AutoML-Zero er ferdig, og informere om hvordan andre algoritmer er designet av ingeniører.