Программное обеспечение машинного обучения Гугл научилось самовоспроизводству

    В мае сего года мы писали об проекте AutoML – технологии искусственного ума (ИИ) предприятия Гугл, разработанной умышленно для тамошнего, дабы производить альтернативные ИИ. Сейчас Гугл провозгласила об фолиант, что ее AutoML сумела затмить разрабов ИИ и способна без помощи других производить программное обеспечение для машинного обучения, которое оказывается наиболее действенным и сильным в сопоставлении с наилучшими примерами подобных систем, разработанных человеком.

    AutoML не так давно установила рекорд в эффективности и скорости каталогизации изображений, по обозначенным условиям, показав итог в 82 процента эффективности. И хотя это же задание само по себе оказалось для системы относительно примитивным, AutoML а также сумела затмить автоматические системы и специфические системы дополненной действительности в наиболее сложноватой задачке – определении местоположения множественных объектов на изображении. В этом испытании AutoML совладала в 43 процентах случаев, в то время как только сделанные человеком системы продемонстрировали уровень эффективности в 39 процентов.

    Результаты внушительные, так как даже в этакий циклопической предприятия, как только Гугл, имеется всего несколько человек, владеющих достаточным опытом для тамошнего, дабы яизвестия разработку ИИ-систем подобного уровня. Для автоматизации данной сферы требуется наличие максимально машистого набора способностей, однако как итог будет достигнут, это же может целиком сконфигурировать промышленность, как только помечают в Гугл.

    «Сегодня производить схожее программное обеспечение умеют только несколько тыщ профессионалов по машинному обучению в мире. Однако мы желаем предпринять эдак, дабы сотки тыщ остальных разрабов тоже могли принять в этом участие», — цитирует слова генерального директора Гугл Сундара Пичаи журнальчик Wired.

    Изрядная часть метаобучения сопряжена с имитацией работы нейронных сетей людского головного мозга, также целесообразностью прогона больших размеров разнообразных заданных сквозь эти паутине. Само собой разумеется, самая непростая задачка как только раз заключается конкретно в фолиант, дабы имитировать структуру головного мозга и вынудить ее предпринимать наиболее сложноватые трудности.

    Сейчас имеющиеся нейронные паутине как и раньше проще модернизировать либо настроить под конкретные задачки, ежели разрабатывать новейшие с самого нуля. Но изучение вроде тамошнего, об котором мы говорим, подразумевает, что это же только временное явление.

    Так как новейшим ИИ будет проще производить все наиболее сложноватые системы, предназначающиеся для исполнения задач, осуществить кои ныне человек ординарно и не в состоянии, то максимально немаловажно, дабы человек как и раньше оставался в качестве главного звена, без коего эти системы просто и не сумеют работать. По-настоящему всеполноценный ИИ без усилий сумеет применять предубежденное истолкование в тамошних либо других вопросцах, к примеру, стереотипно оценив параллель меж этическими и гендерными чертами. Но ежели инженеры будут уделять все больше времени решению данной возможной трудности уже ныне, и не оставляя все на впоследствии, то в дальнейшем у нее будет все меньше шансов на реальное появление.

    В целом Гугл старается отточить AutoML перед началом этакого состояния, дабы создатели могли применять ее в настоящих решениях задач. Ежели у их это же удастся, то спецэффект пользования AutoML сумеет сказаться далековато за пределами стенок самой предприятия.

    «Мы желаем ее демократизировать», — цитирует слова Пичаи журнальчик Wired.