Google-forskare skapar system för att utveckla nya AI-algoritmer från matematiska byggblock

Maskinlärning möjliggör att en datorapplikation blir skicklig på en mängd olika uppgifter, men det kan ofta ta lång tid att utforma en maskinlärningsarkitektur från scratch och sedan träna algoritmen. Enligt ScienceAlert har forskare vid Google (GOOGL ) Brain nyligen experimenterat med nya sätt att skapa AI-program, med tekniker baserade på mutationer som tillåter AI att “utvecklas” organiskt.

Googles AutoML-system har automatiskt skapat AI-program under en tid, och många av dessa program uppnår bättre prestanda än modeller designade av mänskliga ingenjörer. Men Google-forskare kunde expandera på detta system, och publicerade en forskningsrapport som antyder att systemet kunde användas för att “upptäcka” nya, mer effektiva och kraftfulla algoritmer genom en process som speglar evolution. Denna process baseras på mutation av matematiska funktioner och kan också hjälpa till att minska den mänskliga bias som ofta finns i AI-system genom data.

Google-forskningsgruppen publicerade en rapport förra månaden på arXiv, med titeln “Evolving Machine Learning Algorithms From Scratch”. I den diskuterar forskargruppen sitt nya system, som kallas AutoML-Zero. Auto-ML Zero fungerar genom att justera grundläggande matematiska operationer, och använder dem som byggblock för nya, avancerade algoritmer. System designade med AutoML-Zero kan potentiellt vara mer kraftfulla och exakta än många andra AI-system, men forskargruppen testade processen med ett specifikt mål i åtanke – att fixa den mänskliga biasen inom generiska maskinlärningsmodeller och datamängder. Forskarna beskriver problemet i sin forskningsrapport:

“Mänskligt designade komponenter förvränger sökresultaten till fördel för mänskligt designade algoritmer, vilket möjligen minskar innovationens potential för AutoML. Innovationen är också begränsad av att ha färre alternativ: du kan inte upptäcka vad du inte kan söka efter.”

AutoML-Zero fungerar med en tre-stegs-approach: setup, predict, och learn. AutoML-Zero börjar med att ta 100 algoritmer skapade genom slumpmässig kombination av enkla matematiska operationer, sedan tävlar algoritmerna mot varandra. När de bäst presterande algoritmerna har identifierats, görs små justeringar av dessa algoritmer och sedan genomförs en ny omgång av tester. Denna process av tävling och mutation speglar en “survival-of-the-fittest”-urvalprocess.

Enligt rapporten kan hela processen genomföras ganska snabbt, eftersom systemet kan bearbeta upp till 10 000 möjliga algoritmer per sekund per processor. Det kan också genomföra dessa tester mer eller mindre 24/7, och fortsätta experimentera med mycket liten inmatning från mänskliga operatörer.

Många av de mest imponerande algoritmiska systemen idag är bara små variationer av algoritmer som har en lång historia inom datavetenskap och AI, skalade upp. Enligt Haran Jackson, citerad av Newsweek, är det mest intressanta med den nya rapporten att systemet potentiellt kan upptäcka helt nya algoritmer som radikalt skiljer sig från de som används mest.

“Det finns en känsla bland många medlemmar i samhället att de mest imponerande bedrifterna inom konstgjord intelligens bara kommer att uppnås med uppfinningen av nya algoritmer som är fundamentalt olika från de som vi som art har utvecklat hittills”, sade Jackson. “Detta är vad som gör den ovannämnda rapporten så intressant. Den presenterar en metod för att automatiskt konstruera och testa helt nya maskinlärningsalgoritmer.”

AutoML-Zero är fortfarande i bevis-för-koncept-fasen och mycket mer arbete kommer att behövas för att det ska kunna producera algoritmer som är lika användbara som de som driver dagens mest avancerade AI-applikationer. Trots detta kan den forskning som genomförts på systemet visa sig vara användbar även innan AutoML-Zero är färdigt, och kan informera om hur andra algoritmer designas av ingenjörer.