211service.com
Los algoritmos que aprenden con menos datos podrían ampliar el poder de la IA
El año pasado, Microsoft y Google demostraron que sus algoritmos de reconocimiento de imágenes habían aprendido a superar a los humanos. Crearon un software de forma independiente que podría superar el puntaje humano promedio en una prueba estándar que desafía al software a reconocer imágenes de mil objetos diferentes, desde mezquitas hasta mosquitos.
Pero para ser lo suficientemente bueno como para derrotar a la humanidad, el software de cada empresa analizó 1,2 millones de imágenes etiquetadas. Un niño puede aprender a reconocer un nuevo tipo de objeto o animal usando solo un ejemplo.
Puesta en marcha Inteligencia Geométrica dijo el lunes que ha desarrollado un software de aprendizaje automático que es un estudio mucho más rápido. El CEO Gary Marcus dijo en Revisión de tecnología del MIT en la conferencia EmTech Digital de que su software XProp requiere significativamente menos ejemplos que la forma dominante de software de aprendizaje automático, conocido como aprendizaje profundo, para aprender una nueva tarea visual.
Marcus no reveló detalles del funcionamiento de XProp. Pero sí mostró un gráfico que compara cómo XProp y un programa de aprendizaje profundo no especificado se desempeñaron en una prueba que desafía al software a aprender a reconocer dígitos escritos a mano.
Ambos sistemas podrían funcionar con mayor precisión si se proporcionaran más datos de entrenamiento. Pero el software XProp de Geometric Intelligence podría aprovechar más los ejemplos de capacitación que se le dieron.
Por ejemplo, después de ver solo alrededor de 150 ejemplos de cada dígito, reconocería incorrectamente solo alrededor del 2 por ciento de los nuevos dígitos. El software de aprendizaje profundo necesitaba alrededor de 700 ejemplos de cada uno para lograr un rendimiento similar.
Eso no significa que XProp sea necesariamente útil. Reconocer dígitos escritos a mano es más o menos un problema resuelto. Los datos de capacitación son abundantes y los mejores resultados publicados con software de aprendizaje profundo tienen tasas de error de solo alrededor del 0.2 por ciento . La ventaja mostrada por XProp sobre el software de aprendizaje profundo en los datos que mostró Marcus disminuyó a medida que aumentaba la cantidad de datos de entrenamiento.
Pero Marcus dijo que XProp también había producido resultados similares en un base de datos de fotos de números de casas recopiladas por el proyecto Street View de Google , y otras pruebas de reconocimiento de imágenes, lo que sugiere que la técnica de la empresa podría ser ampliamente aplicable.
Existe un amplio acuerdo entre los investigadores de aprendizaje automático en que se necesitan nuevas técnicas que puedan funcionar con menos datos (consulte Este algoritmo de IA aprende tareas simples tan rápido como nosotros).
El aprendizaje profundo requiere mucha información: lo estamos aprendiendo más rápido, dijo Marcus. Lo que tenemos a veces puede reducir los datos necesarios a la mitad, a veces en una proporción mayor.
Marcus, profesor de psicología en la Universidad de Nueva York que ha pasado décadas estudiando cómo aprenden los niños, se muestra escéptico de que los avances recientes en áreas como el reconocimiento de voz e imágenes habilitado por el aprendizaje profundo necesariamente conduzcan al progreso en áreas más desafiantes como la comprensión del lenguaje ( ver ¿Puede este hombre hacer que la IA sea más humana?).
Las grandes empresas informáticas como Google han podido crear un potente software de reconocimiento de voz e imágenes gastando mucho para reunir colecciones gigantes de datos de entrenamiento etiquetados. Marcus no discute que la tecnología conducirá a productos exitosos (ver Google Thinks You're Ready to Converse with Computers). Pero él cree que es necesario hacer algoritmos que consuman menos datos si el software quiere acercarse a la forma en que los humanos pueden aprender rápidamente nuevas habilidades o adaptarse a circunstancias cambiantes.
Vivimos en esta era de big data, y existe la idea de que podemos arrojar más datos al problema, dijo Marcus a la audiencia de EmTech. Pero para algunos problemas simplemente no hay suficientes datos.
El lenguaje es un ejemplo, dijo. Con un número infinito de oraciones posibles, el software de entrenamiento con ejemplos etiquetados de todos los significados posibles que necesita reconocer simplemente no es posible. Marcus también citó los automóviles autónomos como un ejemplo en el que el aprendizaje automático hambriento de datos puede no ser suficiente.
Si un automóvil tiene que experimentar situaciones una y otra vez para dominarlas, entrenarlo para hacer frente a todas las situaciones climáticas y de tráfico posibles podría llevar mucho tiempo, dijo.