Nul
Hoe te maken van kunstmatige intelligentie meer toegankelijk zijn voor gewone stervelingen — dat is, mensen die geen programmeurs noch IT-beheerders noch machine learning wetenschappers — is een onderwerp dat erg in de mode deze dagen.
Een aanpak is om abstracte alle complexiteit door het vullen van het in cloud computing operaties, zoals die werd voorgesteld door een AI opstarten onlangs beschreven door ZDNet, Petuum, die tot doel heeft om “industrialisatie” AI.
Een andere benadering, presenteerde deze week door MIT, is om van ‘machine learning’ meer doen van het werk zelf, voor het uitvinden van haar eigen programma ‘ s crunch gegevens in specifieke toepassingen, zoals tijdreeksanalyse. Dit is een warm gebied van AI in zichzelf, met machines bouwen van de modellen die op zijn beurt het uitvoeren van de inductie van de antwoorden van de gegevens.
Ook: AI opstarten Petuum doelstellingen te industrialiseren machine learning
De onderzoekers beschrijven een manier om het automatiseren van het maken van programma ‘ s die zijn afgeleid van patronen in data, wat betekent dat een data-scientist hoeft niet om erachter te komen de “model” dat past bij de gegevens die worden onderzocht.
Het werk is beschreven in een artikel geplaatst op de website van de Association for Computing Machinery, beschikbaar voor gratis, met de titel “Bayesian Synthese van Probabilistische Programma’ s voor Automatische Data Modeling.” Het is geschreven door Feras A. Saad, Marco F. Cusumano-Towner, Ulrich Schaechtle, Martin C. Rinard, en Vikash K. Mansinghka van het MIT.
Het probleem Saad en collega ‘ s vallen is al het werk dat is om te gaan in het vinden van de juiste soort van programma voor het analyseren van een bepaalde set van gegevens. Als ze schrijven, obstakels zijn onder andere “de noodzaak voor gebruikers om handmatig selecteert u het model of programma structuur, de noodzaak voor een aanzienlijke modellering expertise, beperkt het modelleren van de capaciteit en het potentieel voor het missen van de belangrijke aspecten van de gegevens als de gebruikers niet het verkennen van een voldoende breed scala van model-of programma-structuren.”
Ook: MIT ups ante in het krijgen van een AI te leren een andere
De MIT-onderzoekers beschrijven het proces van Bayesiaanse inferentie aanpak zoekt over de uitdrukkingen binnen het domein-specifieke talen om te verzamelen van een collectie van algoritmes die kunnen analyseren om bepaalde soorten gegevens.
MIT
Op het adres dat ze van plan zijn te laat op de computer beslissen. Saad en collega ‘ s voeren op de traditie van de afgelopen jaren van de “synthese” computer programma ‘ s, met één programma de bouw van een extra programma. Er zijn tal van opmerkelijke voorbeelden, zoals de 2014 inspanning door Google DeepMind wetenschappers te bouwen van een ‘ Neurale Turing Machine.” Dat project is gebruik gemaakt van de zogenaamde “recurrente neurale netwerken” te ontdekken eenvoudige computer-algoritmes, zoals voor het kopiëren en plakken van tekst.
De auteurs collega ‘s onderscheiden zich door het ontwerpen van programma’ s die zijn “probabilistic,” in plaats van een klassieke “deterministisch” programma ‘ s. Dat betekent dat de programma ‘ s niet per se een voorspelbare output gegeven een bepaalde input. Integendeel, de programma-uitvoer een weerspiegeling zijn van de ruis en onzekerheid van de gegevens in hen, precies wat je wilt als je probeert te beoordelen van kansen in de gegevens. MIT heeft zich veel op de probabilistische programmering hoek, het organiseren van een conferentie over de kwestie in oktober vorig jaar.
Om dit te bereiken, hebben de auteurs gebruikt de Bayesiaanse benadering van de statistiek. Ze genieten van een bos van computer programma ‘ s en beoordelen van de waarschijnlijkheid van elk programma als een mogelijke oplossing voor het omgaan met de gegevens die men wil bestuderen. Als de auteurs, onder alle benaderingen voor het automatiseren van het ontwerp van computer programma ‘ s, hen is “de eerste Bayes synthese van probabilistische programma’ s.”
Ook: Google Hersenen, Microsoft peilen de mysteries van netwerken met AI
Wat hielp de onderzoekers te bereiken dat die prestatie is een belangrijke keuze gemaakt: ze opgenomen om te bouwen, of “synthetiseren,” niet zomaar een algemene soort van computer programma, maar in plaats daarvan programma ‘ s die zijn gebouwd van “domein-specifieke talen.” DSLs zijn talen die passen bij een bepaalde manier van de gegevens die zij verwerken. Bijvoorbeeld, er zijn “voor het modelleren van gegevens” talen die helpen vertegenwoordigen de relaties tussen gegevens. Yang is de naam van een van deze data modeling language, voor het modelleren van computer netwerken. De Unified Modeling Language, ontwikkeld in de jaren 1990, laat beschrijven object-georiënteerde programma ‘ s.
Door het beperken van hun benadering van DSLs, de auteurs van het verkleinen van de ‘zoeken ruimte” voor de juiste computer programma ‘ s, dus het verbeteren van hun kansen op het vinden van een oplossing ten opzichte van de meer algemene aanpak van de Neurale Turing Machine.
Ook: Moeten AI onderzoekers vertrouwen AI dierenarts hun werk?
Zodra de Bayesiaanse inferentie procedure stelt een aantal winnende programma ‘s, deze programma’ s zijn vervolgens in staat om het uitvoeren van de inferentie op de gegevens. Bijvoorbeeld, de auteurs beschrijven programma ‘ s die passen bij een analyse van de luchtvaartmaatschappij mijl afgelegd over de jaren. Dit is een probleem in de analyse van tijdreeksen voor dat de zogenaamde Gaussische proces van statistieken is de juiste. Dus, hun Bayesiaanse inferentie synthetiseert algoritmen die rekening houden met de Gaussian proces-operaties een combinatie te vinden van de algoritmen die heeft een kans van passende montage van de gegevens.
Een groot voordeel geclaimd door deze aanpak is dat in tegenstelling tot een aantal algemene machine learning-modellen, zoals de “convolutional neurale netwerken,” de programma ‘s samengesteld door deze aanpak zijn in een zekere zin interpretable, ze zijn niet de gevreesde ‘zwarte doos’ van AI. Dat komt omdat de programma ‘ s zijn domein-specifieke, zodat hun activiteiten weg te geven wat ze vinden in de gegevens. Zoals de auteurs beschrijven het, “Het samengestelde programma’ s in het domein-specifieke taal zorgen voor een compact model van de gegevens die kwalitatieve eigenschappen duidelijk in het oppervlak van de syntaxis van het programma.”
Moet lezen
‘AI is heel, heel stom,’ zegt Google AI leider CNETBaidu maakt Kunlun silicium voor AIUnified Google AI afdeling een duidelijk signaal van AI de toekomst van TechRepublic
Tegelijkertijd tonen de auteurs aan hoe u deze DSL-programma ‘ s in staat om te generaliseren naar nieuwe gegevens. Zij maken gebruik van een tolk programma voor het converteren van de individuele algoritmen in iets dat de Onderneming, een probabilistische programmeertaal die veel meer te breed en algemeen. Venture is vervolgens in staat om gevolgtrekkingen maken over de gegevens die over een breder scala aan toepassingen.
Er zijn prikkelende verdere aanwijzingen voor dit werk. In het bijzonder de onderzoekers er rekening mee dat hun werk kunnen in de toekomst nemen de specifieke eisen die door de gebruikers van hoe de gegevens moeten worden verwerkt of geanalyseerd. Dat suggereert een soort van fusie van de menselijke intelligentie over gegevens met machine vaardigheden, misschien een ideale unie van persoon en AI.
Vorige en aanverwante dekking:
Wat is AI? Alles wat je moet weten
Een executive gids voor kunstmatige intelligentie, van machine learning en algemene AI-neurale netwerken.
Wat is diep leren? Alles wat je moet weten
De lowdown op diep leren: van hoe het zich verhoudt tot het bredere veld van machine-leren door te zien hoe aan de slag met het.
Wat is machine learning? Alles wat je moet weten
In deze gids wordt uitgelegd wat ‘machine learning’ is, hoe het is in verband met kunstmatige intelligentie, hoe het werkt en waarom het belangrijk is.
Wat is cloud computing? Alles wat u moet weten over
Een introductie van cloud computing recht vanaf de basis tot IaaS en PaaS -, hybride -, public en private cloud.
Verwante Onderwerpen:
Big Data Analytics
Digitale Transformatie
CXO
Het Internet van Dingen
Innovatie
Enterprise Software
0