Zero
Come rendere intelligenza artificiale più accessibile per i comuni mortali, persone che non sono programmatori né gli amministratori, né di machine learning per gli scienziati, è un argomento molto in voga in questi giorni.
Un approccio è quello di abstract di tutte le complessità di ripieno nella cloud computing operazioni, come è stato proposto da una IA di avvio descritto recentemente da ZDNet, Petuum, che mira a “industrializzare” AI.
Un altro approccio, presentato questa settimana dal MIT, è quello di rendere il machine learning fare di più del lavoro stesso, di inventare i propri programmi di elaborare i dati in applicazioni specifiche come ad esempio l’analisi delle serie storiche. Questa è una zona calda di AI in sè, non avendo macchine per costruire i modelli che di volta in volta eseguire l’induzione di risposte da parte di di dati.
Inoltre: AI startup Petuum obiettivo di industrializzare macchina di apprendimento
I ricercatori descrivono un modo per automatizzare la creazione di programmi che dedurre modelli di dati, il che significa che i dati scienziato non ha bisogno di capire il “modello” che si adatta ai dati in fase di studio.
Il lavoro è descritto in un articolo pubblicato sul sito Web dell’Association for Computing Machinery, gratuito, dal titolo “Bayesiano Sintesi Probabilistica Programmi Automatici per la Modellazione dei Dati.” Esso è stato creato da Feras A. Saad, Marco F. Cusumano-Towner, Ulrich Schaechtle, Martin C. Rinard, e Vikash K. Mansinghka del MIT.
Il problema Saad e colleghi che sono in attacco è tutto il lavoro che ha per andare a trovare il giusto tipo di programma per analizzare un determinato insieme di dati. Come scrivono, ostacoli includono “la necessità per gli utenti di selezionare manualmente il modello o struttura del programma, la necessità di significative competenze di modellazione, limitata capacità di modellazione, e il potenziale per perdere importanti aspetti di dati, se gli utenti non esplorare una abbastanza ampia gamma di modelli o strutture di programma.”
Anche: MIT alza la posta a ottenere uno AI insegnare altro
Ricercatori del MIT descrivere il processo attraverso il quale i loro inferenza Bayesiana approccio ricerche su le espressioni all’interno di linguaggi specifici di dominio per assemblare una collezione di algoritmi in grado di analizzare particolari tipi di dati.
MIT
Di indirizzo, che intendono lasciare il computer a decidere. Saad e colleghi di portare avanti la tradizione di questi ultimi anni di “sintetizzare” i programmi per computer, con un programma di costruire un altro programma. Ci sono stati un sacco di esempi significativi di questo, come ad esempio il 2014 sforzo da parte di Google DeepMind scienziati di costruire un “Neurale Macchina di Turing.” Che progetto ha utilizzato la cosiddetta “reti neurali ricorrenti”, alla scoperta di semplici algoritmi di computer, ad esempio per copiare e incollare il testo.
Gli autori colleghi si distinguono per la progettazione di programmi di “probabilistico”, piuttosto che il classico “deterministico” programmi. Il che significa che i programmi non devono necessariamente produrre un output prevedibile dato un certo input. Piuttosto, l’output del programma sarà riflettono il rumore e l’incertezza dei dati di mettere in loro, esattamente ciò che si vuole, se si sta cercando di valutare la probabilità dei dati. Il MIT ha puntato molto sulla probabilistica di programmazione angolo, organizzando una conferenza sulla questione lo scorso ottobre.
Per raggiungere questo obiettivo, gli autori hanno utilizzato l’approccio Bayesiano per le statistiche. Che esempio di un gruppo di programmi per computer e un tasso di rischio di ogni programma come una possibile soluzione per la gestione di dati si vuole studiare. Come gli autori hanno messo, tra tutti i metodi per l’automazione di progettazione di programmi informatici, la loro è “il primo Bayesiano sintesi probabilistica di programmi”.
Anche: Google Cervello, Microsoft scandagliare i misteri di reti con AI
Quello che ha aiutato i ricercatori a compiere quell’impresa è un tasto di scelta hanno fatto: hanno deciso di costruire, o di “sintetizzare”, non solo in generale, tutti i tipo di programma per computer, ma invece i programmi che sono costruiti con “linguaggi specifici di dominio.” Dsl, sono lingue che corrispondono, in qualche modo, i dati di processo. Per esempio, ci sono “la modellazione dei dati” lingue che aiutano rappresentare i rapporti in dei dati. Yang è il nome di una di tali dati, linguaggio di modellazione, per la modellazione di reti di computer. Unified Modeling Language, progettato nel 1990, permette di descrivere object-oriented di programmi per computer.
Limitando il loro approccio alla Dsl, gli autori restringere la ricerca “spazio” per il appropriato programmi per computer, migliorando così la loro probabilità di trovare una soluzione rispetto al più generale approccio Neurale Macchina di Turing.
Inoltre: Deve AI ricercatori fiducia AI di istruzione e formazione professionale il loro lavoro?
Una volta che l’inferenza Bayesiana procedura assembla alcuni vincente programmi, questi programmi sono in grado di eseguire inferenza sui dati. Per esempio, gli autori descrivono i programmi che si adattano un’analisi di compagnia aerea miglia percorse nel corso degli anni. Questo è un problema di analisi di serie temporali per i quali il cosiddetto Gaussiana processo di statistiche è appropriato. Così, la loro inferenza Bayesiana sintetizza algoritmi che incorporano Gaussiana le operazioni di processo per trovare una combinazione di questi algoritmi è una probabilità del opportunamente adattare i dati.
Un grande vantaggio rivendicato da questo approccio è che, a differenza di alcuni generali di apprendimento automatico di modelli, come ad esempio “convolutional reti neurali,” i programmi assemblato da questo approccio sono in un certo senso interpretabili, non sono il temuto “scatole nere” di AI. Questo è perché i programmi sono specifici del dominio, così i loro molto le operazioni di dare via quello che stanno trovando i dati. Come gli autori descrivono, “La sintetizzato programmi nel linguaggio specifico di dominio fornire un modello compatto di dati che rendono le proprietà qualitative evidenti in superficie sintassi del programma.”
Deve leggere
‘IA è molto, molto stupido”, dice Google AI leader CNETBaidu crea Kunlun di silicio per AIUnificata di Google IA divisione di un chiaro segnale di AI futuri TechRepublic
Allo stesso tempo, gli autori mostrano come fare questi DSL programmi in grado di generalizzare i nuovi dati. Essi utilizzano un interprete e di un programma per convertire i singoli algoritmi in qualcosa chiamato Venture, probabilistico linguaggio di programmazione che è molto più ampio e generale. Venture è quindi in grado di fare inferenze su dati oltre a una più ampia fascia di applicazioni.
Ci sono stuzzicanti ulteriori indicazioni per questo lavoro. In particolare, i ricercatori fanno notare che il loro lavoro potrebbe in futuro integrare i requisiti specifici da parte di utenti come i dati devono essere trattati o analizzato. Che suggerisce una sorta di fusione dell’intelligenza umana sui dati con la macchina di competenze, magari un connubio ideale di persona e AI.
Precedente e relativa copertura:
Che cosa è l’IA? Tutto quello che devi sapere
Un esecutivo a guida di intelligenza artificiale, machine learning e generale AI alle reti neurali.
Cos’è il deep learning? Tutto quello che devi sapere
Il lowdown su deep learning: da come si relaziona con il più ampio campo di machine learning a come iniziare con esso.
Che cosa è macchina di apprendimento? Tutto quello che devi sapere
Questa guida spiega in cosa consiste la macchina di apprendimento, di come esso è legato all’intelligenza artificiale, come funziona e perché è importante.
Che cos’è il cloud computing? Tutto quello che devi sapere su
Un’introduzione al cloud computing destra, dalle nozioni di base fino a IaaS e PaaS, ibrido, public e private cloud.
Argomenti Correlati:
Big Data Analytics
La Trasformazione Digitale
CXO
Internet delle Cose
L’innovazione
Enterprise Software
0