Багатозначне навчання стає все більш популярним серед розробників штучного інтелекту

Venture Beat (VB) присвятив одну зі своїх тижневих звітів перевагам багатозначного навчання у розробці штучного інтелекту. Їхнім поштовхом став звіт компанії ABI Research щодо цієї справи.

Ключова концепція полягає в тому, що “набори даних є фундаментальними будівельними блоками систем штучного інтелекту,” і що без наборів даних “моделі не можуть вивчити відносини, які інформують їхні передбачення.” Звіт ABI передбачає, що “хоча загальна кількість встановлених пристроїв штучного інтелекту зросте з 2,69 мільярда в 2019 році до 4,47 мільярда в 2024 році, порівняно небагато з них будуть взаємозамінними в короткій перспективі.”

Це може представляти собою суттєву витрату часу, енергії та ресурсів, “замість того, щоб об’єднати гігабайти до петабайт даних, що протікають через них, у єдину модель або каркас штучного інтелекту, вони будуть працювати незалежно та гетерогененно, щоб дати змогу зрозуміти дані, які їм подаються.”

Щоб подолати це, ABI пропонує багатозначне навчання, методологію, яка могла б консолідувати дані “з різних сенсорів та входів у єдину систему. Багатозначне навчання може нести додаткову інформацію чи тенденції, які часто стають очевидними лише тоді, коли вони включені до процесу навчання.”

VB представляє життєздатний приклад, який розглядає зображення та текстові підписи. “ Якщо різні слова поєднуються з подібними зображеннями, ці слова, ймовірно, використовуються для опису тих самих речей чи об’єктів. Навпаки, якщо деякі слова з’являються поруч з різними зображеннями, це означає, що ці зображення представляють той самий об’єкт. Враховуючи це, повинно бути можливим для моделі штучного інтелекту передбачити об’єкти зображення з текстових описів, і дійсно, велика кількість академічної літератури довела це.”

Незважаючи на можливі переваги, ABI зазначає, що навіть технологічні гіганти, такі як IBM, Microsoft, Amazon та Google, продовжують зосереджуватися переважно на унімодальних системах. Одним із причин є виклики, які така зміна представляла б.

Все ж таки, дослідники ABI передбачають, що “загальна кількість відправлених пристроїв зросте з 3,94 мільйона в 2017 році до 514,12 мільйона в 2023 році, стимулювана прийняттям у сегментах робототехніки, споживчих товарів, охорони здоров’я та засобів масової інформації та розваг.” Серед прикладів компаній, які вже впроваджують багатозначне навчання, вони згадують Waymo, яка використовує такий підхід для створення “гіпер-обізнаних самоходних транспортних засобів,” та Intel Labs, де інженерна команда компанії “досліджує техніки збору даних сенсорів у реальних середовищах.”

Головний інженер Intel Labs Omesh Tickoo пояснив VB, що “що ми зробили, використовуючи техніки для визначення контексту, такі як час доби, ми побудували систему, яка повідомляє вам, коли дані сенсора не мають найвищої якості. Враховуючи цю довірчу оцінку, вона зважує різні сенсори проти один одного на різних інтервалах та вибирає правильну суміш, щоб дати нам відповідь, яку ми шукаємо.”

VB зазначає, що унімодальне навчання залишатиметься переважаючим там, де воно високо ефективне – у застосуваннях, таких як розпізнавання зображень та обробка природної мови. У той самий час воно передбачає, що “оскільки електроніка стає дешевшою та обчислення більш масштабованими, багатозначне навчання, ймовірно, тільки зростатиме у значимості.”