Menu Close

Sztuczna inteligencja – ewolucja bez udziału człowieka

Sztuczna inteligencja (AI) ewoluuje — dosłownie. Naukowcy stworzyli oprogramowanie, które zapożycza koncepcję ewolucji Darwina, w tym “przetrwania najsilniejszych”, by zbudować algorytmy AI, które poprawiają się z pokolenia na pokolenie bez udziału człowieka. Program powtórzył dziesięciolecia badań nad sztuczną inteligencją w ciągu kilku dni, a jego projektanci uważają, że pewnego dnia może on odkryć nowe podejścia do sztucznej inteligencji.

“Podczas gdy większość ludzi kroczyła naprzód w tempie małego dziecka, to oni zrobili ogromny skok w nieznane”, mówi Risto Miikkulainen, informatyk z University of Texas w Austin, który nie był zaangażowany w pracę. “Jest to jeden z tych dokumentów, które mogą zapoczątkować nowy etap w wielu przyszłych badaniach.”

Tworzenie algorytmu sztucznej inteligencji wymaga czasu. Przykładem są tu sieci neuronowe, wspólny rodzaj uczenia maszynowego używanego do tłumaczenia języków i prowadzenia samochodów. Sieci te luźno naśladują strukturę mózgu i uczą się na podstawie danych treningowych, zmieniając połączenia między sztucznymi neuronami. Mniejsze obwody neuronów wykonują określone zadania , na przykład wykrywając znaki drogowe, a naukowcy potem spędzają miesiące na myśleniu jak je połączyć by bezproblemowo ze sobą współpracowały.

W ostatnich latach naukowcy przyspieszyli ten proces, automatyzując niektóre kroki. Ale programy te nadal opierają się na zszywaniu gotowych obwodów zaprojektowanych przez ludzi. A to oznacza, że produkcja jest nadal ograniczona przez wyobraźnię inżynierów i ich istniejące uprzedzenia.

Quoc Le, informatyk w Google oraz jego współpracownicy opracowali program o nazwie AutoML-Zero, który może rozwijać programy AI o zerowym wkładzie człowieka, używając tylko podstawowych pojęć matematycznych, na poziomie uczniów szkoły średniej. “Naszym ostatecznym celem jest opracowanie nowatorskich koncepcji uczenia maszynowego, których nawet nie mogli znaleźć naukowcy”.

Program odkrywa algorytmy za pomocą luźnego przybliżenia ewolucji. Zaczyna od utworzenia populacji 100 algorytmów – kandydatów, poprzez losowe łączenie operacji matematycznych. Następnie testuje je na prostych zadaniach takich jak rozpoznawanie obrazu, gdzie musi zdecydować, czy zdjęcie pokazuje np. kota czy ciężarówkę.

W każdym cyklu program porównuje wydajność algorytmów z ich ręcznie zaprojektowanymi odpowiednikami. Najlepsze kopie są “mutowane” przez losowe zastępowanie, edytowanie lub usuwanie niektórych cech kodu w celu utworzenia odmian najlepszych algorytmów. Te “dzieci” algorytmów wyjściowych są dodawane do populacji, podczas gdy starsze programy są eliminowane. Cykl się powtarza.

System tworzy tysiące tych populacji naraz, co pozwala mu na analizowanie dziesiątków tysięcy algorytmów na sekundę, aż do znalezienia dobrego rozwiązania. Program wykorzystuje również sztuczki przyśpieszające wyszukiwanie, jak sporadyczna wymiana algorytmów między populacjami, aby zapobiec ewolucyjnym ślepym zaułkom i automatyczne oczyszcza zduplikowane algorytmy.

W artykule opublikowanym w zeszłym miesiącu na arXiv naukowcy pokazują, że podejście może potknąć się o szereg klasycznych technik uczenia maszynowego, w tym sieci neuronowe. Rozwiązania są bowiem proste w porównaniu z najbardziej zaawansowanymi dzisiejszymi algorytmami, przyznaje Le, ale twierdzi, że jego praca udowadnia generalną zasadę i jest optymistą odnośnie do kwestii skalowania jej tak, by stworzyć znacznie bardziej złożone sztuczne inteligencje.

Joaquin Vanschoren, informatyk z Eindhoven University of Technology, uważa, że minie jeszcze trochę czasu, zanim podejście to będzie w stanie konkurować z obecnie najnowocześniejszymi metodami. Jedną z rzeczy, które mogłyby poprawić program, nie jest metoda rozpoczynania od zera, ale zamiast tego zasilenie jej niektórymi sztuczkami i technikami które ludzie już odkryli. “Możemy zasilić tę pompę sprawdzonymi już koncepcjami uczenia maszynowego”.

To jest coś, nad czym Le planuje pracować. Skupienie się na mniejszych problemach, a nie tylko na całych algorytmach jest również bardzo obiecujące, dodaje. 6 kwietnia jego grupa opublikowała kolejny artykuł na ten temat w arXiv, w których zastosowano podobne podejście do przeprojektowania popularnego gotowego komponentu używanego w wielu sieciach neuronowych.

Le uważa że, zwiększenie liczby operacji matematycznych w bibliotekach AI i przekierowanie większych zasobów obliczeniowych do programu pozwoli mu na odkrycie zupełnie nowe możliwości AI. “To kierunek, który nas naprawdę pasjonuje”, mówi. “Odkrycie czegoś naprawdę fundamentalnego, którego poznanie zajęłoby ludziom naprawdę wiele czasu.”

wg.Science

Leave a Reply

Your email address will not be published. Required fields are marked *