การเรียนรู้อย่างมีประสิทธิภาพ: อนาคตอันใกล้ของ AI

ไม่ต้องสงสัยเลยว่าอนาคตสูงสุดของ AI คือการเข้าถึงและก้าวข้ามความฉลาดของมนุษย์ แต่นี่เป็นความสำเร็จที่ยากจะบรรลุได้ แม้แต่คนที่มองโลกในแง่ดีที่สุดในหมู่พวกเราก็พนันได้เลยว่า AI ระดับมนุษย์ (AGI หรือ ASI) จะอยู่ได้ไกลถึง 10-15 ปีนับจากนี้ ด้วยความคลางแคลงใจแม้จะเต็มใจที่จะเดิมพันว่าจะใช้เวลาหลายศตวรรษถ้าเป็นไปได้ นี่ไม่ใช่สิ่งที่โพสต์เกี่ยวกับ

ในที่นี้เราจะพูดถึงอนาคตที่ใกล้ตัวและจับต้องได้มากกว่านี้ และหารือเกี่ยวกับอัลกอริธึมและเทคนิค AI ที่เกิดขึ้นใหม่และมีศักยภาพ ซึ่งในความเห็นของเราจะกำหนดอนาคตอันใกล้ของ AI

AI ได้เริ่มพัฒนามนุษย์ให้ดีขึ้นในงานเฉพาะบางงานที่ได้รับการคัดเลือก ตัวอย่างเช่น การเอาชนะแพทย์ในการวินิจฉัยโรคมะเร็งผิวหนังและการเอาชนะผู้เล่น Go ในการแข่งขันชิงแชมป์โลก แต่ระบบและรุ่นเดียวกันจะล้มเหลวในการปฏิบัติงานที่แตกต่างจากที่ได้รับการฝึกให้แก้ปัญหา ด้วยเหตุนี้ ในระยะยาว ระบบอัจฉริยะโดยทั่วไปซึ่งทำงานชุดหนึ่งอย่างมีประสิทธิภาพโดยไม่จำเป็นต้องประเมินใหม่จึงถูกขนานนามว่าเป็นอนาคตของ AI

แต่ในอนาคตอันใกล้ของ AI ก่อนที่ AGI จะเกิดขึ้น นักวิทยาศาสตร์จะทำให้อัลกอริธึมที่ขับเคลื่อนด้วย AI เอาชนะปัญหาที่พวกเขาเผชิญอยู่ในปัจจุบันเพื่อออกจากห้องปฏิบัติการและกลายเป็นวัตถุที่ใช้ในชีวิตประจำวันได้อย่างไร

เมื่อคุณมองไปรอบๆ AI จะชนะปราสาททีละแห่ง (อ่านโพสต์ของเราเกี่ยวกับวิธีที่ AI แซงหน้ามนุษย์ ส่วนที่หนึ่งและส่วนที่สอง) อะไรที่อาจผิดพลาดได้ในเกมที่ชนะแบบนี้? มนุษย์กำลังผลิตข้อมูลมากขึ้นเรื่อยๆ (ซึ่งเป็นอาหารสัตว์ที่ AI ใช้) เมื่อเวลาผ่านไปและความสามารถของฮาร์ดแวร์ของเราก็ดีขึ้นเช่นกัน ท้ายที่สุดแล้ว ข้อมูลและการคำนวณที่ดีขึ้นเป็นสาเหตุที่ทำให้การปฏิวัติการเรียนรู้เชิงลึกเริ่มต้นในปี 2555 ใช่ไหม ความจริงก็คือ เร็วกว่าการเติบโตของข้อมูลและการคำนวณคือการเติบโตของความคาดหวังของมนุษย์ Data Scientists จะต้องคิดถึงวิธีแก้ไขที่มากกว่าที่มีอยู่ในขณะนี้เพื่อแก้ปัญหาในโลกแห่งความเป็นจริง ตัวอย่างเช่น การจัดประเภทรูปภาพตามที่คนส่วนใหญ่คิดว่าเป็นปัญหาในเชิงวิทยาศาสตร์ (หากเราต่อต้านการกระตุ้นให้พูดว่าแม่นยำ 100% หรือ GTFO)

เราสามารถจำแนกรูปภาพ (สมมติว่าเป็นรูปแมวหรือรูปสุนัข) ที่ตรงกับความสามารถของมนุษย์โดยใช้ AI แต่สิ่งนี้สามารถใช้กับกรณีการใช้งานจริงได้หรือไม่? AI สามารถนำเสนอวิธีแก้ปัญหาสำหรับปัญหาเชิงปฏิบัติที่มนุษย์กำลังเผชิญอยู่ได้หรือไม่? ในบางกรณีใช่ แต่ในหลายกรณีเรายังไม่ถึงจุดนั้น

เราจะแนะนำคุณผ่านความท้าทายซึ่งเป็นอุปสรรคสำคัญในการพัฒนาโซลูชันในโลกแห่งความเป็นจริงโดยใช้ AI สมมติว่าคุณต้องการจำแนกภาพแมวและสุนัข เราจะใช้ตัวอย่างนี้ตลอดทั้งโพสต์

ตัวอย่างอัลกอริทึมของเรา: การจำแนกภาพแมวและสุนัข

กราฟิกด้านล่างสรุปความท้าทาย:

ความท้าทายที่เกี่ยวข้องกับการพัฒนา AI . ในโลกแห่งความเป็นจริง

ให้เราพูดถึงความท้าทายเหล่านี้โดยละเอียด:

การเรียนรู้ด้วยข้อมูลน้อย

• ข้อมูลการฝึกอบรมอัลกอริธึม Deep Learning ที่ประสบความสำเร็จมากที่สุดต้องใช้ข้อมูลนั้นต้องติดป้ายกำกับตามเนื้อหา/คุณลักษณะที่มีอยู่ กระบวนการนี้เรียกว่าคำอธิบายประกอบ
• อัลกอริทึมไม่สามารถใช้ข้อมูลที่พบตามธรรมชาติรอบตัวคุณได้ คำอธิบายประกอบของข้อมูลสองสามร้อย (หรือสองสามพันจุดข้อมูล) นั้นง่าย แต่อัลกอริธึมการจำแนกรูปภาพระดับมนุษย์ของเราใช้รูปภาพที่มีคำอธิบายประกอบนับล้านภาพเพื่อเรียนรู้ได้ดี
• คำถามคือ การทำคำอธิบายประกอบเป็นล้านภาพเป็นไปได้หรือไม่? ถ้าไม่เช่นนั้น AI จะปรับขนาดด้วยปริมาณข้อมูลที่มีคำอธิบายประกอบน้อยลงได้อย่างไร

การแก้ปัญหาในโลกแห่งความเป็นจริงที่หลากหลาย

• แม้ว่าชุดข้อมูลจะได้รับการแก้ไข แต่การใช้งานจริงนั้นมีความหลากหลายมากกว่า (เช่น อัลกอริธึมที่ฝึกเกี่ยวกับภาพสีอาจล้มเหลวอย่างมากในรูปภาพระดับสีเทาที่ไม่เหมือนมนุษย์)
• ในขณะที่เราได้ปรับปรุงอัลกอริธึม Computer Vision เพื่อตรวจจับวัตถุให้เข้ากับมนุษย์ แต่ดังที่กล่าวไว้ก่อนหน้านี้ อัลกอริธึมเหล่านี้แก้ปัญหาเฉพาะเจาะจงมาก เมื่อเทียบกับความฉลาดของมนุษย์ ซึ่งโดยทั่วไปกว่ามากในหลายแง่มุม
• ตัวอย่างอัลกอริธึม AI ของเรา ซึ่งจัดประเภทแมวและสุนัข จะไม่สามารถระบุสายพันธุ์สุนัขหายากได้หากไม่ได้รับอาหารด้วยภาพของสายพันธุ์นั้น

การปรับข้อมูลที่เพิ่มขึ้น

• ความท้าทายที่สำคัญอีกประการหนึ่งคือข้อมูลที่เพิ่มขึ้น ในตัวอย่างของเรา หากเราพยายามจำแมวและสุนัข เราอาจฝึก AI ของเราสำหรับภาพแมวและสุนัขจำนวนหนึ่งจากสายพันธุ์ต่างๆ ในขณะที่เราปรับใช้ครั้งแรก แต่ในการค้นพบสายพันธุ์ใหม่ทั้งหมด เราต้องฝึกอัลกอริทึมให้รู้จัก “Kotpies” ร่วมกับสายพันธุ์ก่อนหน้า
• แม้ว่าสปีชีส์ใหม่อาจคล้ายกับสายพันธุ์อื่นๆ มากกว่าที่เราคิด และสามารถฝึกฝนได้ง่ายเพื่อปรับใช้อัลกอริทึม แต่ก็มีบางจุดที่ยากกว่าและต้องมีการฝึกอบรมและการประเมินใหม่อย่างสมบูรณ์
• คำถามคือเราจะทำให้ AI สามารถปรับให้เข้ากับการเปลี่ยนแปลงเล็กๆ น้อยๆ เหล่านี้ได้หรือไม่?

เพื่อให้ AI ใช้งานได้ทันที แนวคิดคือการแก้ปัญหาความท้าทายดังกล่าวด้วยชุดแนวทางที่เรียกว่าการเรียนรู้ที่มีประสิทธิภาพ (โปรดทราบว่านี่ไม่ใช่คำศัพท์ที่เป็นทางการ ฉันแค่สร้างขึ้นเพื่อหลีกเลี่ยงการเขียน Meta-Learning, Transfer Learning, Few Shot Learning, Adversarial Learning และ Multi-Task Learning ทุกครั้ง) พวกเราที่ ParallelDots กำลังใช้แนวทางเหล่านี้ในการแก้ปัญหาที่แคบด้วย AI ชนะการต่อสู้เล็กๆ น้อยๆ ในขณะที่เตรียมพร้อมสำหรับ AI ที่ครอบคลุมมากขึ้นเพื่อพิชิตสงครามที่ใหญ่กว่า ให้เราแนะนำคุณเกี่ยวกับเทคนิคเหล่านี้ทีละครั้ง

เห็นได้ชัดว่าเทคนิคส่วนใหญ่ของการเรียนรู้อย่างมีประสิทธิภาพเหล่านี้ไม่ใช่สิ่งใหม่ พวกเขาเพิ่งเห็นการฟื้นคืนชีพในขณะนี้ นักวิจัย SVM (Support Vector Machines) ใช้เทคนิคเหล่านี้มาเป็นเวลานาน ในทางกลับกัน Adversarial Learning เป็นสิ่งที่ออกมาจากงานล่าสุดของ Goodfellow ใน GAN และ Neural Reasoning เป็นเทคนิคชุดใหม่ที่มีชุดข้อมูลพร้อมใช้งานเมื่อเร็วๆ นี้ มาเจาะลึกกันว่าเทคนิคเหล่านี้จะช่วยกำหนดอนาคตของ AI ได้อย่างไร

ถ่ายทอดการเรียนรู้

มันคืออะไร?

ตามชื่อที่แนะนำ การเรียนรู้จะถูกถ่ายโอนจากงานหนึ่งไปยังอีกงานหนึ่งภายในอัลกอริธึมเดียวกันใน Transfer Learning อัลกอริธึมที่ฝึกฝนในงานเดียว (งานต้นทาง) ที่มีชุดข้อมูลขนาดใหญ่สามารถถ่ายโอนโดยมีหรือไม่มีการแก้ไขโดยเป็นส่วนหนึ่งของอัลกอริทึมที่พยายามเรียนรู้งานอื่น (งานเป้าหมาย) ในชุดข้อมูล (ค่อนข้าง) ที่เล็กกว่า

ตัวอย่างบางส่วน

การใช้พารามิเตอร์ของอัลกอริธึมการจำแนกรูปภาพเป็นตัวแยกคุณลักษณะในงานต่างๆ เช่น การตรวจจับวัตถุ เป็นแอปพลิเคชันง่ายๆ ของ Transfer Learning ในทางตรงกันข้าม สามารถใช้กับงานที่ซับซ้อนได้ อัลกอริธึมที่ Google พัฒนาขึ้นเพื่อจำแนกภาวะเบาหวานขึ้นจอตาได้ดีกว่าแพทย์ในสมัยก่อน ถูกสร้างขึ้นโดยใช้ Transfer Learning น่าแปลกที่เครื่องตรวจจับเบาหวานจอตาเป็นเครื่องจำแนกภาพในโลกแห่งความเป็นจริง (ตัวแยกประเภทภาพสุนัข/แมว) โอนการเรียนรู้เพื่อจำแนกการสแกนตา

บอกรายละเอียดฉันเพิ่มเตืม!

คุณจะพบว่า Data Scientists เรียกส่วนที่ถ่ายโอนดังกล่าวของโครงข่ายประสาทเทียมจากต้นทางไปยังงานเป้าหมายเป็นเครือข่ายที่ได้รับการฝึกฝนล่วงหน้าในเอกสารการเรียนรู้เชิงลึก การปรับละเอียดคือเมื่อข้อผิดพลาดของงานเป้าหมายถูก backpropagated เล็กน้อยในเน็ตที่ฝึกไว้ล่วงหน้า แทนที่จะใช้เครือข่ายที่ฝึกไว้ล่วงหน้าที่ไม่ได้รับการแก้ไข ข้อมูลแนะนำทางเทคนิคที่ดีเกี่ยวกับ Transfer Learning in Computer Vision สามารถดูได้ที่นี่ แนวคิดง่ายๆ ของ Transfer Learning นี้มีความสำคัญมากในชุดวิธีการเรียนรู้ที่มีประสิทธิภาพของเรา

แนะนำสำหรับคุณ:

ทรัพยากร

Metaverse จะพลิกโฉมอุตสาหกรรมยานยนต์อินเดียได้อย่างไร

วิภาวดี ส.

31 กรกฎาคม 2565

ทรัพยากร

บทบัญญัติต่อต้านการแสวงหากำไรสำหรับสตาร์ทอัพในอินเดียมีความหมายอย่างไร?

จรัญญา ล.

31 กรกฎาคม 2565

ทรัพยากร

Edtech Startups ช่วยให้แรงงานอินเดียเพิ่มพูนทักษะและเตรียมพร้อมสู่อนาคตได้อย่างไร...

อังคุช เอส

31 กรกฎาคม 2565

ข่าว

หุ้นเทคโนโลยียุคใหม่ในสัปดาห์นี้: ปัญหาของ Zomato ยังคงดำเนินต่อไป, EaseMyTrip Posts Stro...

ตปัญจนา ร.

31 กรกฎาคม 2565

คุณสมบัติ

สตาร์ทอัพอินเดียใช้ทางลัดในการไล่ล่าหาทุน

นิกิล เอส.

31 กรกฎาคม 2565

ข่าว

แพลตฟอร์มการตลาดดิจิทัล Logicserve ระดมทุน INR 80 Cr รีแบรนด์เป็น LS Dig...

เชตัน ต.

31 กรกฎาคม 2565

การเรียนรู้แบบมัลติทาสก์

มันคืออะไร?

ใน Multi-Task Learning งานการเรียนรู้หลายงานจะได้รับการแก้ไขพร้อมๆ กัน ในขณะที่ใช้ประโยชน์จากความธรรมดาและความแตกต่างจากงานต่างๆ เป็นเรื่องน่าประหลาดใจ แต่บางครั้งการเรียนรู้งานสองอย่างหรือมากกว่าร่วมกัน (หรือที่เรียกว่างานหลักและงานเสริม) สามารถทำให้ผลงานดีขึ้นได้ โปรดทราบว่างานทุกคู่หรือแฝดสามหรือสี่ชิ้นไม่สามารถถือเป็นงานเสริมได้ แต่เมื่อใช้งานได้ ความแม่นยำจะเพิ่มขึ้นอย่างอิสระ

ตัวอย่างบางส่วน

ตัวอย่างเช่น ที่ ParallelDots ตัวแยกประเภท Sentiment, Intent และ Emotion Detection ของเราได้รับการฝึกฝนเป็น Multi-Task Learning ซึ่งเพิ่มความแม่นยำเมื่อเทียบกับหากเราฝึกแยกกัน ระบบการติดแท็ก Semantic Role ที่ดีที่สุดและระบบการติดแท็ก POS ใน NLP ที่เรารู้จักคือระบบการเรียนรู้แบบหลายงาน ดังนั้นจึงเป็นหนึ่งในระบบที่ดีที่สุดสำหรับการแบ่งส่วนความหมายและอินสแตนซ์ใน Computer Vision Google ได้คิดค้น Multi-Task Learners หลายรูปแบบ (โมเดลเดียวที่จะควบคุมพวกเขาทั้งหมด) ที่สามารถเรียนรู้จากทั้งชุดข้อมูลการมองเห็นและข้อความในช็อตเดียวกัน

บอกรายละเอียดฉันเพิ่มเตืม!

แง่มุมที่สำคัญมากของการเรียนรู้แบบมัลติทาสก์ที่เห็นในแอปพลิเคชันในโลกแห่งความเป็นจริงคือการฝึกอบรมงานใดๆ ให้กลายเป็นระบบกันกระสุน เราต้องคำนึงถึงข้อมูลที่มาจากโดเมนจำนวนมาก (เรียกอีกอย่างว่าการปรับโดเมน) ตัวอย่างในกรณีการใช้งานของแมวและสุนัขของเราจะเป็นอัลกอริธึมที่สามารถจดจำรูปภาพจากแหล่งต่างๆ (เช่น กล้อง VGA และกล้อง HD หรือแม้แต่กล้องอินฟราเรด) ในกรณีเช่นนี้ สามารถเพิ่มการสูญเสียการจำแนกโดเมน (โดยที่รูปภาพมาจาก) ในงานใดก็ได้ จากนั้นเครื่องจะเรียนรู้ว่าอัลกอริธึมทำงานได้ดีขึ้นในงานหลัก (จำแนกรูปภาพเป็นภาพแมวหรือสุนัข) แต่ ตั้งใจทำให้งานเสริมแย่ลง (ทำได้โดย backpropagating การไล่ระดับข้อผิดพลาดย้อนกลับจากงานการจำแนกโดเมน) แนวคิดคืออัลกอริธึมเรียนรู้คุณสมบัติการเลือกปฏิบัติสำหรับงานหลัก แต่ลืมคุณลักษณะที่สร้างความแตกต่างของโดเมนและสิ่งนี้จะทำให้ดีขึ้น Multi-Task Learning และลูกพี่ลูกน้องในการปรับโดเมนเป็นหนึ่งในเทคนิคการเรียนรู้ที่มีประสิทธิภาพที่ประสบความสำเร็จมากที่สุดที่เรารู้จักและมีบทบาทสำคัญในการกำหนดอนาคตของ AI

การเรียนรู้จากฝ่ายตรงข้าม

มันคืออะไร?

Adversarial Learning เป็นสาขาวิชาที่วิวัฒนาการมาจากงานวิจัยของ Ian Goodfellow แม้ว่าแอปพลิเคชันยอดนิยมของ Adversarial Learning จะไม่ต้องสงสัยเลยว่า Generative Adversarial Networks (GAN) ที่สามารถใช้สร้างภาพที่น่าทึ่งได้ แต่ก็มีเทคนิคอื่นๆ อีกหลายวิธีในชุดเทคนิคนี้ โดยทั่วไปแล้ว เทคนิคที่ได้รับแรงบันดาลใจจากทฤษฎีเกมนี้จะมีอัลกอริธึมสองตัวคือเครื่องกำเนิดและตัวแบ่งแยก ซึ่งมีจุดมุ่งหมายเพื่อหลอกกันและกันในขณะที่พวกเขากำลังฝึก เครื่องกำเนิดสามารถใช้เพื่อสร้างภาพใหม่ ๆ ตามที่เราพูดคุยกัน แต่ยังสามารถสร้างการแสดงข้อมูลอื่น ๆ เพื่อซ่อนรายละเอียดจากผู้เลือกปฏิบัติ อย่างหลังคือเหตุผลที่แนวคิดนี้น่าสนใจสำหรับเรามาก

ตัวอย่างบางส่วน

นี่เป็นสาขาใหม่และความสามารถในการสร้างภาพอาจเป็นสิ่งที่ผู้สนใจส่วนใหญ่เช่นนักดาราศาสตร์ให้ความสำคัญ แต่เราเชื่อว่าสิ่งนี้จะพัฒนากรณีการใช้งานใหม่ ๆ ตามที่เราบอกในภายหลัง

บอกรายละเอียดฉันเพิ่มเตืม!

เกมการปรับโดเมนสามารถปรับปรุงได้โดยใช้การสูญเสีย GAN การสูญเสียเสริมที่นี่คือระบบ GAN แทนการจำแนกโดเมนบริสุทธิ์ โดยที่ผู้เลือกปฏิบัติพยายามจัดประเภทข้อมูลที่มาจากโดเมน และส่วนประกอบเครื่องกำเนิดไฟฟ้าพยายามหลอกมันด้วยการนำเสนอสัญญาณรบกวนแบบสุ่มเป็นข้อมูล จากประสบการณ์ของเรา วิธีนี้ใช้ได้ผลดีกว่าการปรับโดเมนแบบธรรมดา

การเรียนรู้ไม่กี่ช็อต

มันคืออะไร?

Few Shot Learning เป็นการศึกษาเทคนิคที่ทำให้อัลกอริทึม Deep Learning (หรืออัลกอริธึมการเรียนรู้ของเครื่อง) เรียนรู้โดยใช้ตัวอย่างน้อยลงเมื่อเทียบกับสิ่งที่อัลกอริธึมแบบเดิมทำ One Shot Learning คือการเรียนรู้ด้วยตัวอย่างหนึ่งของหมวดหมู่ การเรียนรู้ k-shot แบบอุปนัยหมายถึงการเรียนรู้ด้วยตัวอย่าง k ของแต่ละหมวดหมู่

ตัวอย่างบางส่วน

การเรียนรู้แบบไม่กี่ช็อตในขณะที่ภาคสนามกำลังเห็นการไหลเข้าของเอกสารในการประชุมเชิงลึกที่สำคัญทั้งหมด และขณะนี้มีชุดข้อมูลเฉพาะสำหรับผลการเปรียบเทียบ เช่นเดียวกับ MNIST และ CIFAR สำหรับการเรียนรู้ของเครื่องตามปกติ One-shot Learning เห็นแอปพลิเคชั่นจำนวนมากในงานจำแนกรูปภาพบางประเภท เช่น การตรวจจับคุณสมบัติและการแสดง

บอกรายละเอียดฉันเพิ่มเตืม!

มีหลายวิธีที่ใช้สำหรับการเรียนรู้แบบไม่กี่ช็อต รวมถึง Transfer Learning, Multi-Task Learning และ Meta-Learning ที่เป็นอัลกอริธึมทั้งหมดหรือบางส่วน มีวิธีอื่นๆ เช่น มีฟังก์ชันการสูญเสียที่ชาญฉลาด การใช้สถาปัตยกรรมแบบไดนามิก หรือการใช้แฮ็กการเพิ่มประสิทธิภาพ Zero Shot Learning ซึ่งเป็นคลาสของอัลกอริธึมที่อ้างว่าทำนายคำตอบสำหรับหมวดหมู่ที่อัลกอริธึมยังไม่ได้เห็น โดยพื้นฐานแล้วคืออัลกอริธึมที่สามารถปรับขนาดด้วยข้อมูลประเภทใหม่

Meta-Learning

มันคืออะไร?

Meta-Learning เป็นสิ่งที่ดูเหมือน เป็นอัลกอริธึมที่ฝึกเมื่อเห็นชุดข้อมูล จะให้ผลลัพธ์เป็นเครื่องทำนายการเรียนรู้ของเครื่องใหม่สำหรับชุดข้อมูลนั้น ๆ คำจำกัดความนั้นล้ำสมัยมากหากคุณมองแวบแรก คุณรู้สึกว่า "ว้าว! นั่นคือสิ่งที่ Data Scientist ทำ” และทำให้ “งานที่เซ็กซี่ที่สุดในศตวรรษที่ 21” เป็นไปโดยอัตโนมัติ และในแง่หนึ่ง Meta-Learners ก็เริ่มทำเช่นนั้น

ตัวอย่างบางส่วน

Meta-Learning ได้กลายเป็นประเด็นร้อนใน Deep Learning เมื่อเร็ว ๆ นี้ โดยมีงานวิจัยจำนวนมากออกมา ส่วนใหญ่มักใช้เทคนิคสำหรับการเพิ่มประสิทธิภาพไฮเปอร์พารามิเตอร์และโครงข่ายประสาทเทียม การค้นหาสถาปัตยกรรมเครือข่ายที่ดี การจดจำภาพไม่กี่ช็อต และการเรียนรู้การเสริมกำลังอย่างรวดเร็ว

บอกรายละเอียดฉันเพิ่มเตืม!

บางคนอ้างถึงการทำงานอัตโนมัติเต็มรูปแบบในการตัดสินใจเลือกทั้งพารามิเตอร์และไฮเปอร์พารามิเตอร์ เช่น สถาปัตยกรรมเครือข่าย เป็น autoML และคุณอาจพบว่าผู้คนอ้างถึง Meta Learning และ AutoML เป็นฟิลด์ต่างๆ แม้จะมีโฆษณามากมายรอบตัวพวกเขา แต่ความจริงก็คือ Meta Learners ยังคงเป็นอัลกอริธึมและเส้นทางในการปรับขนาดแมชชีนเลิร์นนิงด้วยความซับซ้อนและความหลากหลายของข้อมูลที่เพิ่มขึ้น

เอกสาร Meta-Learning ส่วนใหญ่เป็นการแฮ็กที่ชาญฉลาด ซึ่งตาม Wikipedia มีคุณสมบัติดังต่อไปนี้:

• ระบบต้องมีระบบย่อยการเรียนรู้ที่ปรับให้เข้ากับประสบการณ์
• ประสบการณ์ได้รับจากการใช้ประโยชน์จากความรู้เมตาที่ดึงมาจากตอนการเรียนรู้ก่อนหน้าในชุดข้อมูลเดียวหรือจากโดเมนหรือปัญหาที่แตกต่างกัน
• ต้องเลือกอคติการเรียนรู้แบบไดนามิก

โดยทั่วไประบบย่อยคือการตั้งค่าที่ปรับเมื่อมีการแนะนำ meta-data ของโดเมน (หรือโดเมนใหม่ทั้งหมด) ข้อมูลเมตานี้สามารถบอกเกี่ยวกับจำนวนคลาสที่เพิ่มขึ้น ความซับซ้อน การเปลี่ยนสีและพื้นผิวและวัตถุ (ในภาพ) สไตล์ รูปแบบภาษา (ภาษาธรรมชาติ) และคุณลักษณะอื่นๆ ที่คล้ายคลึงกัน ตรวจสอบเอกสารสุดเจ๋งที่นี่: Meta-Learning Shared Hierarchies และ Meta-Learning โดยใช้ Temporal Convolutions คุณยังสามารถสร้างอัลกอริธึม Few Shot หรือ Zero Shot ได้โดยใช้สถาปัตยกรรม Meta-Learning Meta-Learning เป็นหนึ่งในเทคนิคที่มีแนวโน้มมากที่สุดซึ่งจะช่วยในการกำหนดอนาคตของ AI

การใช้เหตุผลทางประสาท

มันคืออะไร?

การใช้เหตุผลทางประสาทเป็นเรื่องใหญ่ต่อไปในปัญหาการจำแนกรูปภาพ การใช้เหตุผลทางประสาทเป็นขั้นตอนที่อยู่เหนือการรู้จำรูปแบบซึ่งอัลกอริธึมกำลังก้าวไปไกลกว่าแนวคิดในการระบุและจำแนกข้อความหรือรูปภาพ การใช้เหตุผลทางประสาทกำลังแก้ปัญหาทั่วไปในการวิเคราะห์ข้อความหรือการวิเคราะห์ด้วยภาพ ตัวอย่างเช่น รูปภาพด้านล่างแสดงชุดคำถาม การใช้เหตุผลเชิงเหตุผลสามารถตอบได้จากรูปภาพ

บอกรายละเอียดฉันเพิ่มเตืม!

เทคนิคชุดใหม่นี้กำลังจะเกิดขึ้นหลังจากการเปิดตัวชุดข้อมูล bAbi ของ Facebook หรือชุดข้อมูล CLEVR ล่าสุด เทคนิคต่างๆ ที่จะมาถึงในการถอดรหัสความสัมพันธ์และไม่ใช่แค่รูปแบบเท่านั้นที่มีศักยภาพมหาศาลในการแก้ปัญหา ไม่ใช่แค่การให้เหตุผลทางประสาทเท่านั้น แต่ยังรวมถึงปัญหายากๆ อีกหลายอย่าง รวมถึงปัญหาการเรียนรู้ไม่กี่ช็อต

จะกลับไป

ตอนนี้เรารู้แล้วว่าเทคนิคคืออะไร ให้เราย้อนกลับไปดูว่าพวกเขาแก้ปัญหาพื้นฐานที่เราเริ่มต้นได้อย่างไร ตารางด้านล่างแสดงภาพรวมความสามารถของเทคนิคการเรียนรู้ที่มีประสิทธิภาพเพื่อรับมือกับความท้าทาย:

ความสามารถของเทคนิคการเรียนรู้ที่มีประสิทธิภาพ

• เทคนิคทั้งหมดที่กล่าวมาข้างต้นช่วยแก้ปัญหาการฝึกอบรมที่มีข้อมูลน้อยกว่าไม่ทางใดก็ทางหนึ่ง แม้ว่า Meta-Learning จะให้สถาปัตยกรรมที่หล่อหลอมด้วยข้อมูล แต่ Transfer Learning จะทำให้ความรู้จากโดเมนอื่นมีประโยชน์ในการชดเชยข้อมูลน้อยลง การเรียนรู้ไม่กี่ช็อตทุ่มเทให้กับปัญหาในฐานะวินัยทางวิทยาศาสตร์ การเรียนรู้จากฝ่ายตรงข้ามสามารถช่วยปรับปรุงชุดข้อมูลได้
• การปรับโดเมน (ประเภทของการเรียนรู้แบบหลายงาน) การเรียนรู้จากฝ่ายตรงข้าม และ (บางครั้ง) สถาปัตยกรรมการเรียนรู้เมตาช่วยแก้ปัญหาที่เกิดจากความหลากหลายของข้อมูล
• Meta-Learning และ Less Shot Learning ช่วยแก้ปัญหาข้อมูลที่เพิ่มขึ้น
• อัลกอริธึมการให้เหตุผลทางประสาทมีศักยภาพมหาศาลในการแก้ปัญหาในโลกแห่งความเป็นจริงเมื่อรวมเป็น Meta-Learners หรือ Few Shot Learners

โปรดทราบว่า เทคนิคการเรียนรู้อย่างมีประสิทธิภาพเหล่านี้ไม่ใช่เทคนิค Deep Learning/Machine Learning ใหม่ แต่เสริมเทคนิคที่มีอยู่ให้เป็นแฮ็กที่ ทำให้พวกเขาเสียเงินมากขึ้น ดังนั้น คุณจะยังคงเห็นเครื่องมือทั่วไปของเรา เช่น Convolutional Neural Networks และ LSTM ที่ใช้งานได้จริง แต่มีเครื่องเทศที่เพิ่มเข้ามา เทคนิคการเรียนรู้อย่างมีประสิทธิภาพเหล่านี้ซึ่งทำงานกับข้อมูลน้อยลงและทำงานหลายอย่างพร้อมกันสามารถช่วยในการผลิตและการค้าผลิตภัณฑ์และบริการที่ขับเคลื่อนด้วย AI ได้ง่ายขึ้น ที่ ParallelDots เราตระหนักถึงพลังของการเรียนรู้อย่างมีประสิทธิภาพและรวมเอามันเป็นหนึ่งในคุณสมบัติหลักของปรัชญาการวิจัยของเรา

โพสต์นี้โดย Parth Shrivastava ปรากฏตัวครั้งแรกบนบล็อก ParallelDots และทำซ้ำโดยได้รับอนุญาต