211service.com
El software de IA hace malabares con las probabilidades para aprender con menos datos
Una aplicación desarrollada por Gamalon reconoce objetos después de ver algunos ejemplos. Un programa de aprendizaje reconoce conceptos más simples como líneas y rectángulos.
El aprendizaje automático se está volviendo extremadamente poderoso, pero requiere cantidades extremas de datos.
Puede, por ejemplo, entrenar un algoritmo de aprendizaje profundo para reconocer a un gato con el nivel de experiencia de un aficionado a los gatos, pero deberá alimentarlo con decenas o incluso cientos de miles de imágenes de felinos, capturando una gran cantidad de variación. en tamaño, forma, textura, iluminación y orientación. Sería mucho más eficiente si, un poco como una persona, un algoritmo pudiera desarrollar una idea sobre lo que hace que un gato sea un gato a partir de menos ejemplos.
Una startup con sede en Boston llamada Gamalón ha desarrollado tecnología que permite que las computadoras hagan esto en algunas situaciones, y lanzará dos productos el martes basados en el enfoque.
Si la técnica subyacente se puede aplicar a muchas otras tareas, entonces podría tener un gran impacto. La capacidad de aprender a partir de menos datos podría permitir que los robots exploren y comprendan nuevos entornos muy rápidamente, o permitir que las computadoras aprendan sobre sus preferencias sin compartir sus datos.
Gamalon utiliza una técnica que llama síntesis de programas bayesianos para construir algoritmos capaces de aprender de menos ejemplos. La probabilidad bayesiana, llamada así por el matemático del siglo XVIII Thomas Bayes, proporciona un marco matemático para refinar las predicciones sobre el mundo en función de la experiencia. El sistema de Gamalon utiliza programación probabilística, o código que se ocupa de probabilidades en lugar de variables específicas, para construir un modelo predictivo que explica un conjunto de datos en particular. A partir de unos pocos ejemplos, un programa probabilístico puede determinar, por ejemplo, que es muy probable que los gatos tengan orejas, bigotes y cola. A medida que se proporcionan más ejemplos, se reescribe el código detrás del modelo y se ajustan las probabilidades. Esto proporciona una manera eficiente de aprender el conocimiento más destacado de los datos.
Las técnicas de programación probabilística han existido por un tiempo. En 2015, por ejemplo, un equipo del MIT y la NYU utilizó métodos probabilísticos para que las computadoras aprendieran a reconocer caracteres y objetos escritos después de ver solo un ejemplo (consulte Este algoritmo de IA aprende tareas simples tan rápido como nosotros). Pero el enfoque ha sido principalmente una curiosidad académica.
Hay desafíos computacionales difíciles de superar, porque el programa tiene que considerar muchas explicaciones posibles diferentes, dice lago brenden , investigador de la NYU que dirigió el trabajo de 2015.
Aún así, en teoría, dice Lake, el enfoque tiene un potencial significativo porque puede automatizar aspectos del desarrollo de un modelo de aprendizaje automático. La programación probabilística hará que el aprendizaje automático sea mucho más fácil para los investigadores y profesionales, dice Lake. Tiene el potencial de encargarse de las partes difíciles [de programación] automáticamente.
Sin duda, existen incentivos significativos para desarrollar enfoques de aprendizaje automático más fáciles de usar y menos hambrientos de datos. El aprendizaje automático actualmente implica adquirir un gran conjunto de datos sin procesar y, a menudo, luego etiquetarlo manualmente. Luego, el aprendizaje se realiza dentro de grandes centros de datos, utilizando muchos procesadores de computadora que funcionan en paralelo durante horas o días. Solo hay unas pocas empresas realmente grandes que realmente pueden permitirse hacer esto, dice Ben Vigoda, cofundador y director ejecutivo de Gamalon.
En teoría, el enfoque de Gamalon también podría hacer que sea mucho más fácil para alguien construir y refinar un modelo de aprendizaje automático. Perfeccionar un algoritmo de aprendizaje profundo requiere una gran cantidad de conocimientos matemáticos y de aprendizaje automático. Hay un arte negro para configurar estos sistemas, dice Vigoda. Con el enfoque de Gamalon, un programador podría entrenar un modelo introduciendo ejemplos significativos.
Vigoda mostró Revisión de tecnología del MIT una demostración con una aplicación de dibujo que utiliza la técnica. Es similar al lanzado el año pasado por Google, que utiliza el aprendizaje profundo para reconocer el objeto que una persona está tratando de dibujar (ver ¿Quieres entender la IA? Intenta dibujar un pato para una red neuronal). Pero mientras que la aplicación de Google necesita ver un boceto que coincida con los que ha visto anteriormente, la versión de Gamalon utiliza un programa probabilístico para reconocer las características clave de un objeto. Por ejemplo, un programa entiende que lo más probable es que un triángulo sobre un cuadrado sea una casa. Esto significa que incluso si su boceto es muy diferente de lo que ha visto antes, siempre que tenga esas características, adivinará correctamente.
La técnica también podría tener importantes aplicaciones comerciales a corto plazo. Los primeros productos de la empresa utilizan la síntesis de programas bayesianos para reconocer conceptos en el texto.
Un producto, llamado Estructura de Gamalon, puede extraer conceptos de texto sin procesar de manera más eficiente de lo que normalmente es posible. Por ejemplo, puede tomar la descripción de un fabricante de un televisor y determinar qué producto se describe, la marca, el nombre del producto, la resolución, el tamaño y otras características. Otro producto, Gamalon Match, se utiliza para categorizar los productos y el precio en el inventario de una tienda. En cada caso, incluso cuando se utilizan diferentes acrónimos o abreviaturas para un producto o característica, el sistema se puede entrenar rápidamente para reconocerlos.
Vigoda cree que la capacidad de aprender tendrá otros beneficios prácticos. Una computadora podría aprender sobre los intereses de un usuario sin requerir una cantidad poco práctica de datos u horas de capacitación. Es posible que tampoco sea necesario compartir los datos personales con grandes empresas, si el aprendizaje automático se puede realizar de manera eficiente en el teléfono inteligente o la computadora portátil de un usuario. Y un robot o un automóvil autónomo podría aprender sobre un nuevo obstáculo sin necesidad de ver cientos de miles de ejemplos.