, , . . , .
DeepMind, Google, ,
.
Los investigadores de DeepMind han realizado varias correcciones al algoritmo de aprendizaje profundo, que le permite reconocer objetos en imágenes u otras cosas a partir de un ejemplo utilizando las conexiones entre una red neuronal y la memoria externa. Esta tecnología se conoce como entrenamiento de una sola vez. El equipo de desarrollo demostró el trabajo de este método en una gran base de datos de imágenes con etiquetas, así como en escritura y discurso.Los mejores algoritmos pueden reconocer objetos de manera confiable, pero para esto necesitan muchos datos y tiempo. El algoritmo, entrenado para reconocer automóviles en la carretera, debe estudiar varios miles de ejemplos para poder trabajar con confianza en un automóvil con piloto automático. Recopilar tantos datos a menudo no es práctico: un robot que debería ayudarlo a navegar en un área desconocida no debería pasar mucho tiempo aprendiendo.Para solucionar esto, el investigador de DeepMind, Oriol Vinyals, agregó un componente de memoria al sistema de aprendizaje profundo: un tipo de red neuronal entrenada para reconocer cosas ajustando una multitud de capas interconectadas. Su trabajo es similar a las neuronas en el cerebro humano. Para que dicha red funcione de manera eficiente, necesita ver muchas imágenes para ajustar la conexión entre las neuronas virtuales.El equipo de DeepMind demostró las capacidades del sistema actualizado basado en la base de datos ImageNet , que fue desarrollada por científicos de la Universidad de Stanford y Princeton. Está organizado de acuerdo con la jerarquía de la base de datos léxica del idioma inglés WordNetEs cierto, hasta ahora solo funciona con sustantivos. Con el nuevo software, la inteligencia artificial todavía necesita analizar varios cientos de categorías de imágenes, pero después de eso puede aprender a reconocer nuevos objetos a partir de una sola imagen. El algoritmo determina efectivamente las características del objeto que lo hacen único. La precisión del reconocimiento de ImageNet mejoró del 87,6% al 93,2% en comparación con los enfoques de la competencia.
La
arquitectura de red neuronal de Vinyals dice que su desarrollo será especialmente útil para reconocer el significado de nuevas palabras. Él cree que esto será importante para Google, ya que el algoritmo permite que el sistema examine rápidamente el significado de los nuevos criterios de búsqueda."Creo que este es un enfoque muy interesante, que le permite entrenar redes a la vez con una cantidad tan grande de datos", dice Sang Wang Lee, jefe del Laboratorio de Inteligencia Cerebral y Máquina en el Instituto de Tecnología Avanzada de Corea ( KAIST). DeepMind. , . , , “” , . , . , , .
La ciencia aún está bastante lejos de revelar los secretos del entrenamiento cerebral humano "por única vez". Sin embargo, el logro de investigadores de Google establece nuevos objetivos para los científicos que merecen un estudio más profundo.La tecnología de la capacitación “única” se conocía anteriormente, sin embargo, no estaba adaptada para trabajar con algoritmos de aprendizaje profundo. En un proyecto de capacitación el año pasado , se utilizaron técnicas de programación probabilística que incluían esta tecnología. De hecho, el programa generó un algoritmo único para cada personaje usando los trazos de un lápiz imaginario. El software no imitaba el aprendizaje del niño de la escritura y la lectura, pero era similar a la forma en que los adultos aprenden un nuevo idioma.Los sistemas de estudio en profundidad se vuelven mucho más capaces si agregamos mecanismos de memorización. Otro grupo en Google DeepMind desarrollado recientementeUna red con memoria de trabajo es una computadora neural diferenciable. No solo puede realizar tareas complejas, sino también decidir qué información guardar en su memoria. Entonces, AI aprendió a navegar el sistema subterráneo de Londres después de estudiar algunos diagramas de red más simples. Al igual que una computadora normal, dicha red utiliza su memoria para administrar estructuras de datos complejas. Al mismo tiempo, el sistema se puede entrenar sobre la base de datos, como una red neuronal. Los científicos tienen grandes esperanzas de una computadora neuronal diferenciable. Una versión mejorada de dicha computadora podrá escanear Wikipedia y recordar todos los nombres, lugares y fechas importantes, y utilizar este conocimiento de una manera completamente nueva.