Bakit magturo sa artificial intelligence upang muling isulat ang iyong code?

Kamakailan, ang isang kumpanya ay bumuo ng isang teknolohiya na nagbibigay-daan sa ang kotse upang epektibong pag-aralan ang mga halimbawa sa isang maliit na halaga at upang ihasa ang kanilang mga kasanayan bilang bagong mga halimbawa. Maaari itong mailapat sa lahat ng dako, halimbawa, upang ituro ang smartphone upang makilala kagustuhan ng user o upang matulungan independiyenteng mga sistema ng pagpapaandar upang mabilis na matukoy ang mga obstacles.

Bakit magturo sa artificial intelligence upang muling isulat ang iyong code?

Ang lumang nagsasabing "pag-uulit - ang ina ng pag-aaral" ay sumasaklaw ganap sa machine. Maraming mga modernong mga sistema ng artificial intelligence, nagtatrabaho sa mga aparatong umasa sa pag-uulit ng proseso ng pag-aaral. Deep pag-aaral ng algorithm payagan ang AI device upang i-extract ang kaalaman mula sa data set, at pagkatapos ay ilapat ang kanilang natutuhan sa mga tiyak na sitwasyon. Halimbawa, kung ang feed AI system, ang data na kalangitan ay karaniwang asul, at mamaya ito ay magsisimulang upang malaman ang langit sa pagitan ng mga imahe.

Gamit ang pamamaraan na ito ay posible upang magsagawa ng kumplikadong mga trabaho, ngunit ito ay, siyempre, ito ay umalis magkano na ninanais. Ngunit ito ay posible upang makuha ang parehong resulta kung lalaktawan mo ang malalim na pag-aaral AI system sa pamamagitan ng isang mas maliit na bilang ng mga halimbawa? Boston startup Gamalon nakabuo ng isang bagong teknolohiya upang subukan upang magbigay ng isang sagot sa tanong na ito, at ngayong linggo nagpasimula ng dalawang mga produkto gamit ang mga bagong diskarte.

Gamalon ay gumagamit ng Bayesian diskarte sa programming, software synthesis. Ito ay batay sa matematika ng ika-18 siglo, na binuo ng mathematician Thomas Bayes. Bayesian posibilidad ay ginagamit upang pinuhin ang mga hula tungkol sa mundo na may karanasan. Ang form na ito ng probabilistic programming - kapag ang code ay gumagamit ng malamang kaysa sa mismong mga halaga - ay nangangailangan ng mas kaunting mga halimbawa upang tapusin, halimbawa, na ang langit ay asul na may mga patch ng puting ulap. Ang programa ay tumutukoy din sa kanilang kaalaman na may karagdagang mga halimbawa ng pag-aaral, at ang code ay maaaring rewritten upang iwasto ang posibilidad.

Ang isang probabilistic programming

Habang ito bagong diskarte sa programming ay mayroon pa ring mga problema na lutasin, ito ay may malaking potensyal para sa pag-unlad ng automated machine learning algorithms. "Probabilistic gawing simple ang programming ng machine pag-aaral para sa mga mananaliksik at practitioners," paliwanag ni Brendan Lake, isang mananaliksik sa New York University, na nagtrabaho sa probabilistic pamamaraan ng programming in 2015. "Siya ay may kakayahan na ang bahala sa mga komplikadong mga bahagi ng programming."

CEO ng CEO at co-founder Ben Vigoda nagpakita MIT Technology Review application demo para sa pagguhit, na kung saan ay gumagamit ng kanilang mga bagong paraan. Tila na ang Google pinakawalan noong nakaraang taon, ang katunayan na hinuhulaan ang isang tao sumusubok upang gumuhit. Magbasa nang higit pa tungkol sa mga ito namin sinulat ni. Ngunit hindi tulad ng Google bersyon na umaasa sa sketches, na nakita bago, Gamalon application ay nakasalalay sa probabilistic programming sa pagtatangkang upang makilala ang mga pangunahing katangian ng isang bagay. Kaya, kahit na kung gumuhit ka ng isang hugis, na kung saan ay naiiba mula sa mga na umiiral sa database na application hanggang sa ito ay maaaring matukoy ang partikular na tampok - halimbawa, ang isang parisukat na may isang tatsulok sa tuktok (ng bahay) - ito ay gumawa ng mga tamang hula.

Dalawang iniharap Gamalon produkto ay nagpakita na ang kanilang mga pamamaraan ay maaaring makahanap ng mga komersyal na mga aplikasyon sa malapit na panahon. Produkto Gamalon Istraktura ay gumagamit ng isang Bayesian synthesis software na makilala ang mga konsepto ng plain text at naka magbabalik sa pagiging epektibo ng ibang mga programa. Halimbawa, kumuha ng isang TV paglalarawan mula sa mga tagagawa, maaari itong matukoy ang brand name, pangalan ng produkto, resolution ng screen, laki, at iba pang mga tampok. Ang isa pang application - Gamalon Match - namamahagi ng mga produkto at mga presyo sa imbentaryo store. Sa parehong mga kaso, ang sistema ay natututo mabilis na detect pagkakaiba-iba ng mga acronym o pagdadaglat. Vigoda tala na may mga iba pang mga posibleng aplikasyon. Halimbawa, kung nilagyan ng Bayesian modelo ng machine learning smartphone o laptop, sila ay hindi na ibahagi ang personal na data na may malaking mga kumpanya upang matukoy ang mga interes ng mga gumagamit; kalkulasyon ay maaaring maging mabisa nang matagal ang aparato. Autonomous machine ay maaari ring malaman kung paano upang umangkop sa kapaligiran ay mas mabilis gamit ang pamamaraan ng pagtuturo.

Kung nagtuturo kayo artificial intelligence upang matuto nang nakapag-iisa, ito ay hindi kailangang maging sa isang tali.