Recentemente, un'azienda ha sviluppato una tecnologia che consente a una macchina di apprendere efficacemente da un numero limitato di esempi e di affinare la propria conoscenza man mano che sono disponibili più esempi. Può essere applicato ovunque, come insegnare a uno smartphone a riconoscere le preferenze dell'utente o aiutare i sistemi motori autonomi a identificare rapidamente gli ostacoli.
Il vecchio adagio "la ripetizione è la madre dell'apprendimento" si applica perfettamente alle macchine. Molti moderni sistemi di intelligenza artificiale che lavorano nei dispositivi si basano sulla ripetizione nel processo di apprendimento. Gli algoritmi di deep learning consentono ai dispositivi di intelligenza artificiale di estrarre la conoscenza dai set di dati e quindi applicare ciò che hanno appreso a situazioni specifiche. Ad esempio, se si alimenta un sistema AI che il cielo è solitamente blu, in seguito riconoscerà il cielo tra le immagini.
Un lavoro complesso può essere svolto utilizzando questo metodo, ma certamente lascia molto a desiderare. Ma potresti ottenere gli stessi risultati se esegui il sistema di apprendimento profondo AI attraverso meno esempi? La startup Gamalon con sede a Boston ha sviluppato una nuova tecnologia per cercare di rispondere a questa domanda e questa settimana ha presentato due prodotti che adottano un nuovo approccio.
Gamalon utilizza tecniche di programmazione bayesiane, sintesi software. Si basa sulla matematica del XVIII secolo sviluppata dal matematico Thomas Bayes. La probabilità bayesiana viene utilizzata per fare previsioni raffinate sul mondo usando l'esperienza. Questa forma di programmazione probabilistica - in cui il codice utilizza valori probabili piuttosto che specifici - richiede un numero inferiore di esempi per dedurre, ad esempio, che il cielo è blu con macchie di nuvole bianche. Il programma affina anche la sua conoscenza mentre esplori ulteriormente gli esempi e il suo codice può essere riscritto per modificare le probabilità.
Programmazione probabilistica
Sebbene questo nuovo approccio alla programmazione abbia ancora sfide da risolvere, ha un potenziale significativo per automatizzare lo sviluppo di algoritmi di apprendimento automatico. "La programmazione probabilistica renderà l'apprendimento automatico più facile per ricercatori e professionisti", spiega Brendan Lake, un ricercatore della New York University che ha lavorato su tecniche di programmazione probabilistica nel 2015. "Ha la capacità di prendersi cura delle parti complesse della programmazione da solo."
Il CEO e co-fondatore Ben Vigoda ha mostrato a MIT Technology Review un'applicazione di disegno dimostrativa che utilizza il loro nuovo metodo. È simile a quello che Google ha rilasciato l'anno scorso in quanto prevede ciò che una persona sta cercando di disegnare. Ne abbiamo scritto in modo più dettagliato. Ma a differenza della versione di Google, che si basa su schizzi già visti, Gamalon si affida alla programmazione probabilistica per cercare di identificare le caratteristiche chiave di un oggetto. Pertanto, anche se si disegna una forma diversa da quelle nel database dell'applicazione, purché sia in grado di identificare caratteristiche specifiche, ad esempio un quadrato con un triangolo in alto (una casa), farà previsioni corrette.
Video promozionale:
I due prodotti presentati da Gamalon dimostrano che i loro metodi potrebbero trovare applicazioni commerciali nel prossimo futuro. Il prodotto di Gamalon Structure utilizza la sintesi software bayesiana per riconoscere concetti dal testo normale e sta già superando gli altri programmi in termini di efficienza. Ad esempio, dopo aver ricevuto una descrizione di un televisore da un produttore, può determinarne il marchio, il nome del prodotto, la risoluzione dello schermo, le dimensioni e altre caratteristiche. Un'altra app, Gamalon Match, distribuisce prodotti e prezzi nell'inventario del negozio. In entrambi i casi, il sistema impara rapidamente a riconoscere le variazioni di acronimi o abbreviazioni.
Vigoda osserva che ci sono altri possibili usi. Ad esempio, se smartphone o laptop sono dotati di machine learning bayesiano, non dovranno condividere dati personali con grandi aziende per determinare gli interessi degli utenti; i calcoli possono essere eseguiti in modo efficiente all'interno del dispositivo. Le auto autonome possono anche imparare ad adattarsi al loro ambiente molto più velocemente utilizzando questo metodo di apprendimento.
Se insegni all'intelligenza artificiale ad apprendere da sola, non è necessario che sia al guinzaglio.
ILYA KHEL
