I maj i år skrev vi om AutoML-projektet, Googles AI-teknik (artificiell intelligens) designad specifikt för att skapa andra AI: er. Google har nu meddelat att dess AutoML har överträffat AI-utvecklare och kan självuppbygga maskininlärningsprogramvara som är effektivare och kraftfullare än de bästa exemplen på liknande mänskliga designade system.
AutoML satte nyligen rekord för effektivitet och hastighet för bildkatalogisering under de angivna förhållandena, med 82 procent effektivitet. Och även om denna uppgift i sig visade sig vara relativt enkel för systemet, kunde AutoML också överträffa automatiserade system och speciella augmented reality-system i en mer komplex uppgift - bestämma platsen för flera objekt i en bild. I det här testet utförde AutoML 43 procent av tiden, medan människosystem gjorde 39 procent.
Resultaten är imponerande, för även i ett gigantiskt företag som Google finns det bara ett fåtal personer med erfarenhet att leda utvecklingen av AI-system på denna nivå. Automatisering av detta område kräver ett mycket brett spektrum av färdigheter, men när resultatet har uppnåtts kan det helt ändra branschen enligt Google.
”Idag är det bara några tusen specialister på maskininlärning runt om i världen som kan skapa sådan programvara. Men vi vill se till att hundratusentals andra utvecklare också kan delta i detta,”- Wired magazine citerar orden från VD för Google Sundar Pichai.
Mycket av metalärning handlar om att efterlikna de neurala nätverken i den mänskliga hjärnan, liksom behovet av att köra enorma mängder olika data genom dessa nätverk. Naturligtvis är den svåraste uppgiften just hur man imiterar strukturen i hjärnan och gör att den löser mer komplexa problem.
Idag är befintliga neurala nätverk fortfarande lättare att modernisera eller anpassa för specifika uppgifter än att utveckla nya från grunden. Men forskning som vi pratar om tyder på att detta bara är tillfälligt.
Eftersom det blir lättare för den nya AI att skapa mer och mer komplexa system utformade för att utföra uppgifter som människor helt enkelt inte kan utföra, är det mycket viktigt att människor förblir som nyckellänken, utan vilka dessa system helt enkelt inte kan fungera. En verkligt fullfjädrad AI kan enkelt använda partisk tolkning i vissa frågor, till exempel genom att stereotyp utvärdera parallellen mellan etiska och könsegenskaper. Men om ingenjörer ägnar mer tid åt att lösa detta potentiella problem nu och inte lämna allt för senare, kommer det i framtiden att ha mindre chans att det verkligen inträffar.
I allmänhet försöker Google finslipa AutoML så att utvecklare kan använda den i verkliga problemlösningar. Om de lyckas kan effekten av att använda AutoML påverka långt utanför företagets väggar.
Kampanjvideo:
"Vi vill demokratisera det," citerade Wired magazine Pichai.
Nikolay Khizhnyak
