Google Research создает систему для развития новых алгоритмов искусственного интеллекта из математических строительных блоков

Машинное обучение позволяет компьютерному приложению научиться решать широкий спектр задач, но зачастую на разработку архитектуры машинного обучения с нуля и последующее обучение этого алгоритма уходит много времени. Как сообщает ScienceAlert., исследователи из Google Brain недавно экспериментировали с новыми способами создания программ ИИ, используя методы, основанные на мутациях, которые позволяют ИИ «эволюционировать» органически.

Система Google AutoML уже некоторое время автоматически создает программы искусственного интеллекта, и многие из этих программ обеспечивают более высокую производительность, чем модели, разработанные инженерами-людьми. Тем не менее, исследователи Google смогли расширить эту систему, выпустив исследование, которое предполагает, что систему можно использовать для «обнаружения» новых, более эффективных и мощных алгоритмов посредством процесса, отражающего эволюцию. Этот процесс основан на мутации математических функций, и он также может помочь уменьшить человеческую предвзятость, которая часто проникает в системы ИИ через данные.

Исследовательская группа Google предварительно опубликовал статью последний месяц arXiv под названием «Разработка алгоритмов машинного обучения с нуля». В нем исследовательская группа обсуждает свою новую систему, получившую название AutoML-Zero. Auto-ML Zero работает путем настройки основных математических операций, используя их в качестве строительных блоков для новых сложных алгоритмов. Системы, разработанные с помощью AutoML-Zero, потенциально могут быть более мощными и точными, чем многие другие ИИ, но исследовательская группа протестировала этот процесс с конкретной целью — исправить человеческую предвзятость в общих моделях машинного обучения и наборах данных. Исследователи описывают проблему в своей исследовательской статье:

«Компоненты, разработанные людьми, искажают результаты поиска в пользу алгоритмов, разработанных людьми, что, возможно, снижает инновационный потенциал AutoML. Инновации также ограничены меньшим количеством вариантов: вы не можете обнаружить то, что не можете найти».

AutoML-Zero использует трехэтапный подход: настройка, прогнозирование и обучение. AutoML-Zero начинает с того, что берет 100 алгоритмов, созданных с помощью случайной комбинации простых математических операций, а затем алгоритмы сравниваются друг с другом. Как только наиболее эффективные алгоритмы определены, в эти алгоритмы вносятся небольшие изменения, а затем проводится еще один раунд испытаний. Этот процесс конкуренции и мутации имитирует процесс отбора «выживает наиболее приспособленный».

Сообщается, что весь процесс может быть выполнен довольно быстро, так как система способна обрабатывать до 10,000 24 возможных алгоритмов в секунду на процессор. Он также может проводить эти испытания более или менее круглосуточно и без выходных, продолжая экспериментировать с очень небольшим участием людей-операторов.

Многие из самых впечатляющих алгоритмических систем сегодня представляют собой лишь небольшие вариации алгоритмов, которые имеют долгую историю в компьютерных науках и искусственном интеллекте, увеличенные в масштабе. По словам Харана Джексона, которого цитирует Newsweek, самое интересное в новой статье то, что система потенциально может обнаруживать совершенно новые алгоритмы, которые радикально отличаются от тех, которые наиболее широко используются.

«Среди многих членов сообщества есть ощущение, что самые впечатляющие достижения искусственного интеллекта будут достигнуты только с изобретением новых алгоритмов, которые принципиально отличаются от тех, которые мы, как вид, разработали до сих пор». — сказал Джексон. «Вот что делает вышеупомянутую статью такой интересной. В нем представлен метод, с помощью которого мы можем автоматически создавать и тестировать совершенно новые алгоритмы машинного обучения».

AutoML-Zero все еще находится на этапе проверки концепции, и над ним нужно будет проделать еще много работы, прежде чем он сможет создавать алгоритмы, столь же полезные, как и те, которые используются в самых современных приложениях искусственного интеллекта. Тем не менее, исследования, проведенные в системе, могут оказаться полезными еще до того, как AAutoML-Zero будет завершена, давая информацию о том, как инженеры разрабатывают другие алгоритмы.