Sztuczna inteligencja Google'a stworzy jeszcze lepsze sztuczne inteligencje

Podczas swojego wystąpienia na prezentacji dla deweloperów,Sundar Pichai tak opisał działanie AutoML: bierzemy startowyzbiór sieci neuronowych (myślcie o nich jak o sieciach-dzieciach),a następnie używamy sieci neuronowej do iterowania po nich ażuzyskamy najlepszą sieć neuronową. Mamy więc do czynienia zuczeniem przez wzmacnianie – sieci kierują się sygnałamiwzmocnienia, wysokimi gdy ich decyzje są poprawne, niskimi, gdydecyzje są błędne.

Niby nic nowego w teorii maszynowego uczenia, pierwsze prace z tejdziedziny pochodzą z lat osiemdziesiątych, ale jak do tej poryrealizacja takiej metody uczenia pozostawała poza zasięgiem nawetbazujących na klastrach GPU sieci neuronowych. Wewnętrzny przełomGoogle uzyskało tworząc specjalizowaną architekturę sprzętową –czipyTPU, zoptymalizowane pod kątem sieci neuronowych. Z taką mocąobliczeniową możliwe stało się osiągnięcie etapu, w którymjedna sieć neuronowa może analizować inne sieci neuronowe.

Stojący za tym projektem badacze Quoc Le i Barret Zoph z zespołuGoogle Brain zauważają,że „ręczne” zaprojektowanie optymalnej sieci neuronowej jestogromnie czasochłonne – typowa 10-warstwowa sieć może mieć 1010sieci kandydackich. Co więcej, projektowanie sieci neuronowychwymaga rzadkiej wiedzy i doświadczenia w tej dziedzinie, czyniąccały proces dostępnym jedynie dla najbogatszych firm inajmocniejszych ośrodków naukowych. Automatyzacja tego procesu mauczynić go dostępnym dla wszystkich.

Mamy nadzieję, że AutoML przejmie umiejętności, jakie dziśposiada kilku informatyków z doktoratami i w ciągu trzech do pięciulat pozwoli setkom tysięcy programistów projektować nowe siecineuronowe pod kątem ich konkretnych potrzeb – stwierdziłPichai.

Ale czy tylko przejąć umiejętności? Wydaje się, że to możnezajść znacznie dalej. Już dziś zautomatyzowane podejściepozwoliło stworzyć architektury sieci, które są bardziejpomysłowe i efektywne od tego, co zaprojektowali ludzcy eksperci.Zamknięty w pętli sprzężenia zwrotnego układ kontrolera sieci isieci-dzieci po tysiącach iteracji jest w stanie nauczyć sięprzypisywać wysokie prawdopodobieństwa obszarom osiągającymlepszą dokładność na testowych zbiorach danych i niskie obszarom,które uzyskują słabe wyniki.

Nie kierując się żadnymi innymi nawykami poza optymalizacjąsprawności, kontroler wyłania w końcu sieci, które choć dzieląwspólne elementy z tymi zaprojektowanymi przez człowieka, to jednakprzynoszą też nowe, niestosowane przez ludzi rozwiązania – takjak widać to na przykładzie sieci wyszkolonej do przewidywanianastępnego słowa na banku drzew Penna (dla języka angielskiego).Po lewej mamy do czynienia z siecią „ludzką”, po prawejstworzoną przez AI. Takie podejście pozwala nie tylko więcprojektować optymalne sieci neuronowe, ale też odkrywać zupełnienowe architektury i ustalać, dlaczego mogą one działać lepiej wzadanych scenariuszach.

Póki co zastosowania AutoML ograniczają się do tych dziedzin, wktórych Google już od dawna wykorzystuje maszynowe uczenie, np. polepszanie jakości zdjęć i ich klasyfikacja wg zawartości.Jednak z czasem wyjdzie to poza kamerkę czy galerię Androida.Selekcjonowane przez AI sieci neuronowe miałyby znaleźćzastosowanie choćby w onkologii, znajdując na zdjęciach oznakinowotworów sprawniej, niż doświadczeni lekarze.

Najistotniejsze jest jednak to, o czym samo Google niespecjalniewspomina: otóż nic nie stoi na przeszkodzie, by kontroleroptymalizował sam siebie w takim procesie.