/写真
Jaro Larnos CCクラウドテクノロジーはさまざまな科学分野で広く使用されています。一度、
物理学や天文学 、そして
地理学や遺伝学でクラウドがどのように使用されるかについて話しました。
仮想インフラストラクチャを使用すると、科学者は膨大な量の情報を最短時間で処理でき、新たな発見につながります。
しかし、情報処理の理解を変えることができる別のテクノロジーがあります。 機械学習について話しているが、最近機械学習が特に人気を集めている。
数年前、Googleは機械学習要素を導入することで画像検索と音声認識サービスを完全に再設計し、今年6月16日に、この巨大企業はチューリッヒの研究センターの拡張を
発表しました。 これは、Googleが考え、聞き、見ることができるシステムを開発することを意味します。
同社のシニアフェローであるグレッグコラードは、機械学習を積極的に導入することはインターネットを作成するのと同じくらい役立つ
と主張しています。 これにより、特定のプロセスのすべての詳細を理解する必要はなく、システムにデータをアップロードするだけで十分になり、それに基づいて学習を開始するという事実につながる可能性があります。
機械学習で最も有望な分野は、いわゆるディープラーニングです。 学習には大量のデータを必要とするニューラルネットワーク（NS）上に構築されています。 NSは、前世紀の30年代に最初に記述されましたが、コンピューターのパワーが急激に増加したため、過去3〜4年でのみ使用されるようになりました。
昨年、Googleは
TensorFlowディープマシンラーニング
ライブラリを公開し
ました 。 そのため、同社はプロジェクトに注目し、サードパーティの開発者の助けを借りてプロジェクトを開発しようとしています。 システムは、データフローグラフの形式で計算を表示します。 その主な
機能 -TheanoやTorchなどの他のプラットフォームとは異なり-分散コンピューティングのサポート。
TensorFlow企業は、音声認識から写真検索まで、ほぼすべての方向でこれを使用しますが、実際には、ニューラルネットワークの詳細なトレーニングに関する実験を行う科学者や、モデルを迅速に訓練およびテストする必要がある企業にとってより有用です。
このリンクをクリックすると、TensorFlowを体感できます。
AIは作家に行く
ガーディアンのジャーナリストであるアレックス・ハーンは、彼の
記事で、論理的
に提案を
完了することができるように、最も単純な再発性NSを訓練する彼の試み
について話
した 。 トレーニングデータとして、彼はThe Guardianの記事から119 MBのテキストを取りました。
この記事では、リカレントNSの他の興味深いアプリケーションについて読んでください。
トレーニングプロセスを開始してから30分後、アレックスは進捗が1％に過ぎないことを確認しました。 彼は自分のコンピューターのパワーが十分ではないことに気づき、クラウドにサーバーをレンタルすることにしました。 これにより、8時間で学習プロセスを完了できました。
控えめに言っても、あまりクールではありませんでした。 コンピューターは次のフレーズを続ける必要がありました：「木曜日に下されたEUにとどまるという運命的な決定は...」でした。 その結果、システムは「...いくつかの声明でなされた約束に基づいて」や「... 2015年の野党のメンバー」などのオプションを提案しました。 一方で、完全なナンセンス、もう一方-肯定的なポイントがあります：ガーディアンのために記事を書くことを機械が学んだ場合、アレックスと彼の同僚は仕事をせずに放置されるでしょう。
この結果は非常に説明可能です。 トレーニングで使用されるニューラルネットワークはシンボルのみを認識できました。彼女は単語が何であるかを知らず、文法も理解しませんでした。 さらに、ネットワークが実世界に関するデータに基づいて適切に提案を作成できるようにするには、トレーニングのために大量のデータを転送する必要があります。 1つの出版物の記事のセットだけでは十分ではありません。
ジャーナリストの The Atlanticと以前Twitterで働いていた
作家も、そのような実験について書いた。
人類は救助に駆けつけます
ディープラーニングの最も顕著な例の1つは、AlphaGoです。AlphaGoは、
最近 、世界のゲームチャンピオンを破ったAIベースのプログラムです。 このプログラムには2種類のトレーニングが含まれます。人と対戦したすべての試合のデータを使用する場合の教師によるトレーニングと、プログラムが自分自身と対戦し、ミスから学ぶことを意味する強化付きトレーニングです。 しかし、結局のところ、AlphaGoはそれ自体ではいくつかのことを学ぶことができませんでした。
プログラムの開発に関与するDeepMind研究グループのリーダーによる
と、システムは、競技場のどの領域に焦点を当てるべきかを十分に認識していました。 ただし、プログラムは、「思考プロセス」を停止して移動するタイミングを認識していません。 プロの試合には複雑な時間管理システムがあるため、これはゲームの重要なポイントです。 たとえば、世界チャンピオンのリー・セドルとの試合では、プレーヤーは動きについて考えるのに2時間、さらに3分以内に前の動きが完了しなかった場合に追加される3分の余分な時間がありました。
開発者はプログラムに時間制御ルールを追加しませんでしたが、特別なアルゴリズムを開発することで制限を導入しただけです。 その後、一連の実験に基づいてプログラムによって最適化されましたが、実際には、AlphaGoが人間の助けなしではチャンピオンを倒すことはできませんでした。
AlphaGoのこの状況は、一般ユーザーが学習システムに関与している場合、AIトレーニングの進行を加速できると考えるようになります。 たとえば、人気のコンピューターゲームMinecraftは、現在、人間と車の間のコラボレーションのプラットフォームになりつつあります。
GitHubプロジェクトに最近
投稿された、Microsoftが開始したMalmoは、人工知能の機能を調査するためのプラットフォームです。 課題は、ゲームのキャラクターを訓練して、橋を渡り、複雑なオブジェクトの構築で終わるさまざまなアクションを実行することです。 また、このプロジェクトでは、特別なチャットを使用して、AIと人との共同ゲームを作成したり、人とAIとの共同ゲームを作成したりできます。
プロジェクトマネージャーKatja Hofmannによる
と 、Project Malmoの目標は、ユーザーから学び、ユーザーが問題を解決するのを支援するAIを作成することです。 プログラムは強化学習アルゴリズムを使用します。 たとえば、障害物の多い部屋をナビゲートするように車を教えることができます。 通常のプレーヤーは、AIが徐々に認識し、それらに基づいて正しい決定を下すことを学ぶヒントや指示を与えることができます。
Minecraftプラットフォームは、ブラウン大学でロボットを訓練するためにも
使用されました。 大学教授の一人によると、プロジェクトマルメはAIとの人間の相互作用に関するデータを収集する効果的な方法になります。 おそらく近い将来、人工知能と完全に通信できるようになるでしょう。
PS追加の機械学習リソース
PPSそして、ここに私たちのブログからのより興味深い資料があります：