Maschinelles Lernen: Potenzial und Chance



    / photo Jaro Larnos CC

    Cloud-Technologien werden in verschiedenen wissenschaftlichen Bereichen häufig eingesetzt: Einmal haben wir darüber gesprochen, wie Wolken in der Physik und Astronomie sowie in der Geographie und in der Genetik eingesetzt werden . Virtuelle Infrastrukturen ermöglichen es Wissenschaftlern, eine große Menge an Informationen in kürzester Zeit zu verarbeiten, was zu neuen Entdeckungen führt.

    Es gibt jedoch eine andere Technologie, die unser Verständnis der Informationsverarbeitung verändern kann. Es handelt sich um maschinelles Lernen, das in letzter Zeit besonders populär geworden ist.

    Vor einigen Jahren hat Google seine Dienste für Bildsuche und Spracherkennung vollständig überarbeitet und dabei maschinelle Lernelemente eingeführt. Am 16. Juni dieses Jahres wurde Google zum Gigantenkündigte den Ausbau eines Forschungszentrums in Zürich an, das sich mit Entwicklungen auf dem Gebiet der KI, der Verarbeitung natürlicher Sprache und der Wahrnehmung von Maschinen befassen wird. Dies bedeutet, dass Google Systeme entwickeln wird, die denken, hören und sehen können.

    Greg Corrado, Senior Fellow im Unternehmen , argumentiert, dass eine aktive Einführung des maschinellen Lernens genauso nützlich sein kann wie die Schaffung des Internets. Dies kann dazu führen, dass wir nicht alle Details bestimmter Prozesse verstehen müssen. Es reicht aus, Daten in das System hochzuladen, auf deren Grundlage das Lernen beginnt.

    Das vielversprechendste Gebiet des maschinellen Lernens ist das sogenannte Deep Learning. Es basiert auf neuronalen Netzen (NS), für deren Lernen eine große Datenmenge erforderlich ist. NSs wurden erstmals in den 30er Jahren des letzten Jahrhunderts beschrieben, wurden jedoch erst in den letzten 3 bis 4 Jahren aktiv eingesetzt, als die Leistung von Computern stark zunahm.

    Im vergangenen Jahr hat Google seine TensorFlow Deep Machine Learning- Bibliothek veröffentlicht . Das Unternehmen versucht daher, die Aufmerksamkeit auf das Projekt zu lenken und es mithilfe von Drittentwicklern zu entwickeln. Das System präsentiert die Berechnungen in Form eines Datenflussgraphen. Sein Hauptmerkmal - im Gegensatz zu anderen Plattformen wie Theano und Torch - Unterstützung für verteiltes Rechnen.

    TensorFlow nutzt es in fast allen Richtungen: von der Spracherkennung bis zur Fotosuche. In der Realität ist es jedoch für Wissenschaftler, die Experimente zum Tiefen-Training neuronaler Netze durchführen, sowie für Unternehmen, die ihre Modelle schnell trainieren und testen müssen, von größerem Nutzen. Sie können TensorFlow selbst fühlen, indem Sie auf diesen Link klicken .

    AI geht an Schriftsteller


    Der Guardian-Journalist Alex Hern sprach in seinem Artikel über seinen Versuch, die einfachste wiederkehrende NS zu trainieren, damit sie die Vorschläge logisch vervollständigen kann . Als Trainingsdaten nahm er 119 MB Text aus The Guardian-Artikeln. Lesen Sie in diesem Artikel mehr über andere interessante Anwendungen von wiederkehrendem NS .

    Eine halbe Stunde nach Beginn des Trainings stellte Alex fest, dass der Fortschritt nur 1% betrug. Er erkannte, dass die Leistung seines Computers nicht ausreichte und entschloss sich, einen Server in der Cloud zu mieten. Dadurch konnten wir den Lernprozess in 8 Stunden abschließen.

    Es stellte sich heraus, gelinde gesagt, nicht sehr cool. Der Computer musste den folgenden Satz beibehalten: "Die schicksalhafte Entscheidung, am Donnerstag in der EU zu bleiben, war ...". Infolgedessen schlug das System Optionen vor wie "... basierend auf einem in mehreren Erklärungen gemachten Versprechen" und "... ein Mitglied der Oppositionspartei 2015". Einerseits völliger Unsinn, andererseits gibt es einen positiven Punkt: Wenn die Maschine gelernt hätte, Artikel für The Guardian zu schreiben, wären Alex und seine Kollegen arbeitslos.

    Dieses Ergebnis ist durchaus erklärbar. Das im Training verwendete neuronale Netz konnte nur Symbole erkennen: Sie wusste nicht, was ein Wort war und verstand die Grammatik nicht. Darüber hinaus muss das Netzwerk eine viel größere Datenmenge für die Schulung übertragen, damit es Vorschläge auf der Grundlage von Daten aus der realen Welt adäquat ausarbeiten kann. Eine Artikelmenge in einer Publikation reicht nicht aus. Der Journalist The Atlantic und ein Autor, der zuvor bei Twitter gearbeitet hatte, schrieben ebenfalls über solche Experimente .

    Die Menschheit eilt zur Rettung


    Eines der auffälligsten Beispiele für Deep Learning ist AlphaGo, ein auf KI basierendes Programm, das kürzlich den Go-Game-Weltmeister besiegt hat. Das Programm umfasst zwei Arten von Training: Training mit einem Lehrer, bei dem die Daten aller gespielten Matches zwischen Personen verwendet werden, und Training mit Verstärkung, bei dem das Programm gegen sich selbst spielt und aus seinen Fehlern lernt. Aber wie sich herausstellte, kann AlphaGo bei all dem einige Dinge nicht selbst lernen.

    nach der MeinungAls Leiter des Entwicklungsteams DeepMind des Programms verstand das System genau, auf welche Bereiche des Spielfelds es sich konzentrieren sollte. Das Programm weiß jedoch nicht, wann es den „Denkprozess“ anhalten und sich bewegen soll. Dies ist ein wichtiger Punkt im Spiel, da es in professionellen Spielen ein komplexes Zeitmanagementsystem gibt. Zum Beispiel hatten die Spieler in einem Spiel gegen Weltmeister Lee Sedol zwei Stunden Zeit, um über die Züge nachzudenken, sowie drei Minuten Verlängerung, die hinzugefügt wurden, wenn keiner der vorherigen Züge in weniger als drei Minuten abgeschlossen wurde.

    Die Entwickler haben dem Programm keine Zeitsteuerungsregeln hinzugefügt, sondern lediglich eine Einschränkung durch die Entwicklung eines speziellen Algorithmus eingeführt. Später wurde es vom Programm anhand einer Reihe von Experimenten optimiert, aber Fakt ist, dass AlphaGo ohne menschliche Hilfe den Champion nicht geschlagen haben könnte.

    Diese Situation mit AlphaGo lässt uns glauben, dass der Fortschritt des KI-Trainings beschleunigt werden kann, wenn normale Benutzer an Lernsystemen beteiligt sind. Beispielsweise wird ein beliebtes Computerspiel Minecraft jetzt zu einer Plattform für die Zusammenarbeit zwischen Menschen und Autos.



    Kürzlich gepostetBeim GitHub-Projekt ist Malmö, das von Microsoft ins Leben gerufen wurde, eine Plattform zur Erforschung der Fähigkeiten künstlicher Intelligenz. Die Aufgabe besteht darin, den Charakter des Spiels zu trainieren, um verschiedene Aktionen auszuführen, angefangen beim Überqueren der Brücke bis hin zur Konstruktion komplexer Objekte. Darüber hinaus können Sie im Rahmen des Projekts ein gemeinsames KI-Spiel mit einer Person sowie die Kommunikation zwischen ihnen über einen speziellen Chat organisieren.

    nach den WortenProjektmanagerin Katja Hofmann, Project Malmo hat sich zum Ziel gesetzt, eine KI zu schaffen, die von den Benutzern gelernt wird und ihnen hilft, ihre Probleme zu lösen. Das Programm verwendet Verstärkungslernalgorithmen. Sie können beispielsweise einem Auto beibringen, sich in einem Raum mit vielen Hindernissen zurechtzufinden. Normale Spieler können Hinweise oder Anweisungen geben, anhand derer die KI nach und nach lernen wird, die richtigen Entscheidungen zu treffen.



    Die Minecraft-Plattform wurde auch verwendet , um den Roboter an der Brown University zu trainieren. Laut einem der Universitätsprofessoren wird das Projekt Malmö eine effektive Methode zur Erfassung von Daten zur menschlichen Interaktion mit KI sein. Vielleicht werden wir in naher Zukunft in der Lage sein, vollständig mit künstlicher Intelligenz zu kommunizieren.

    PS Zusätzliche Ressourcen für maschinelles Lernen

    • Maschinelles Lernen Kurse von Coursera und Udacity ;
    • Udacity Deep Learning Kurs ;
    • Videovorträge von Professor K.V. Woronzow im maschinellen Lernen;
    • TensorFlow Mini Tutorials für Anfänger
    • Nützlicher Artikel des Doktoranden Andrej Karpathy aus Stanford über die Verwendung wiederkehrender neuronaler Netze.

    PPS Und hier sind einige weitere interessante Materialien aus unserem Blog:


    Jetzt auch beliebt: