211service.com
Un logiciel d'IA jongle avec les probabilités pour apprendre à partir de moins de données
Une application développée par Gamalon reconnaît les objets après avoir vu quelques exemples. Un programme d'apprentissage reconnaît des concepts plus simples tels que les lignes et les rectangles.
L'apprentissage automatique devient extrêmement puissant, mais il nécessite des quantités extrêmes de données.
Vous pouvez, par exemple, entraîner un algorithme d'apprentissage en profondeur pour reconnaître un chat avec le niveau d'expertise d'un amateur de chats, mais vous devrez lui fournir des dizaines, voire des centaines de milliers d'images de félins, capturant une énorme quantité de variation. dans la taille, la forme, la texture, l'éclairage et l'orientation. Ce serait beaucoup plus efficace si, un peu comme une personne, un algorithme pouvait développer une idée de ce qui fait d'un chat un chat à partir de moins d'exemples.
Une startup basée à Boston appelée Gamalon a développé une technologie qui permet aux ordinateurs de le faire dans certaines situations, et il lance mardi deux produits basés sur cette approche.
Si la technique sous-jacente peut être appliquée à de nombreuses autres tâches, elle pourrait avoir un impact important. La capacité d'apprendre à partir de moins de données pourrait permettre aux robots d'explorer et de comprendre très rapidement de nouveaux environnements, ou aux ordinateurs de connaître vos préférences sans partager vos données.
Gamalon utilise une technique qu'il appelle la synthèse de programme bayésienne pour construire des algorithmes capables d'apprendre à partir de moins d'exemples. La probabilité bayésienne, du nom du mathématicien du XVIIIe siècle Thomas Bayes, fournit un cadre mathématique pour affiner les prédictions sur le monde en se basant sur l'expérience. Le système de Gamalon utilise une programmation probabiliste - ou un code qui traite des probabilités plutôt que des variables spécifiques - pour construire un modèle prédictif qui explique un ensemble de données particulier. À partir de quelques exemples seulement, un programme probabiliste peut déterminer, par exemple, qu'il est très probable que les chats aient des oreilles, des moustaches et une queue. Au fur et à mesure que d'autres exemples sont fournis, le code derrière le modèle est réécrit et les probabilités ajustées. Cela fournit un moyen efficace d'apprendre les connaissances saillantes à partir des données.
Les techniques de programmation probabiliste existent depuis un certain temps. En 2015, par exemple, une équipe du MIT et de NYU a utilisé des méthodes probabilistes pour que les ordinateurs apprennent à reconnaître des caractères et des objets écrits après avoir vu un seul exemple (voir Cet algorithme d'IA apprend des tâches simples aussi vite que nous). Mais l'approche a surtout été une curiosité académique.
Il y a des défis informatiques difficiles à surmonter, car le programme doit considérer de nombreuses explications possibles différentes, dit Lac Brenden , chercheur à NYU qui a dirigé les travaux de 2015.
Pourtant, en théorie, dit Lake, l'approche a un potentiel important car elle peut automatiser certains aspects du développement d'un modèle d'apprentissage automatique. La programmation probabiliste rendra l'apprentissage automatique beaucoup plus facile pour les chercheurs et les praticiens, a déclaré Lake. Il a le potentiel de prendre en charge automatiquement les parties difficiles [de programmation].
Il existe certainement des incitations importantes à développer des approches d'apprentissage automatique plus faciles à utiliser et moins gourmandes en données. L'apprentissage automatique implique actuellement l'acquisition d'un grand ensemble de données brutes, puis souvent son étiquetage manuel. L'apprentissage se fait ensuite dans de grands centres de données, en utilisant de nombreux processeurs informatiques tournant en parallèle pendant des heures ou des jours. Il n'y a que quelques très grandes entreprises qui peuvent vraiment se permettre de le faire, déclare Ben Vigoda, cofondateur et PDG de Gamalon.
En théorie, l'approche de Gamalon pourrait également permettre à quelqu'un de construire et d'affiner un modèle d'apprentissage automatique beaucoup plus facilement. La mise au point d'un algorithme d'apprentissage en profondeur nécessite une grande expertise en mathématiques et en apprentissage automatique. Il y a un art noir à mettre en place ces systèmes, dit Vigoda. Avec l'approche de Gamalon, un programmeur pourrait former un modèle en alimentant des exemples significatifs.
Vigoda a montré Examen de la technologie MIT une démo avec une application de dessin qui utilise la technique. Il est similaire à celui publié l'année dernière par Google, qui utilise l'apprentissage en profondeur pour reconnaître l'objet qu'une personne essaie de dessiner (voir Vous voulez comprendre l'IA ? Essayez de dessiner un canard pour un réseau de neurones). Mais alors que l'application de Google a besoin de voir un croquis qui correspond à ceux qu'elle a vus précédemment, la version de Gamalon utilise un programme probabiliste pour reconnaître les principales caractéristiques d'un objet. Par exemple, un programme comprend qu'un triangle assis au sommet d'un carré est très probablement une maison. Cela signifie que même si votre croquis est très différent de ce qu'il a vu auparavant, à condition qu'il ait ces caractéristiques, il devinera correctement.
La technique pourrait également avoir d'importantes applications commerciales à court terme. Les premiers produits de la société utilisent la synthèse de programme bayésienne pour reconnaître les concepts dans le texte.
Un produit, appelé Gamalon Structure, peut extraire des concepts d'un texte brut plus efficacement qu'il n'est normalement possible. Par exemple, il peut prendre la description d'un téléviseur par le fabricant et déterminer quel produit est décrit, la marque, le nom du produit, la résolution, la taille et d'autres caractéristiques. Un autre produit, Gamalon Match, est utilisé pour classer les produits et les prix dans l'inventaire d'un magasin. Dans chaque cas, même lorsque différents acronymes ou abréviations sont utilisés pour un produit ou une fonctionnalité, le système peut être rapidement entraîné à les reconnaître.
Vigoda pense que la capacité d'apprendre aura d'autres avantages pratiques. Un ordinateur pourrait en savoir plus sur les intérêts d'un utilisateur sans nécessiter une quantité de données ou d'heures de formation peu pratique. Les données personnelles n'ont peut-être pas non plus besoin d'être partagées avec les grandes entreprises, si l'apprentissage automatique peut être effectué efficacement sur le smartphone ou l'ordinateur portable d'un utilisateur. Et un robot ou une voiture autonome pourrait découvrir un nouvel obstacle sans avoir besoin de voir des centaines de milliers d'exemples.