Google AI ने एक ऐसे बच्चे AI को प्रशिक्षित किया जो मानव निर्मित सभी AI को पार करता है

मई 2017 में, Google ब्रेन शोधकर्ताओं ने ऑटोएमएल परियोजना शुरू की, जो मशीन लर्निंग मॉडल के डिजाइन को स्वचालित करती है। ऑटोएमएल प्रयोगों से पता चला है कि यह प्रणाली बहुत अच्छे प्रदर्शन के साथ छोटे तंत्रिका नेटवर्क उत्पन्न कर सकती है - मानव विशेषज्ञों द्वारा डिजाइन और प्रशिक्षित किए गए तंत्रिका नेटवर्क के लिए काफी तुलनीय है। हालाँकि, पहले ऑटोएमएल CIFAR-10 और पेन ट्रीबैंक जैसे छोटे वैज्ञानिक डेटासेट तक सीमित था।

Google इंजीनियरों ने सोचा - अगर हम एआई जनरेटर के लिए और अधिक गंभीर कार्य करते हैं तो क्या होगा? क्या यह AI सिस्टम किसी अन्य AI को उत्पन्न करने में सक्षम है जो किसी महत्वपूर्ण कार्य में मानव निर्मित AI से बेहतर होगा जैसे कि ImageNet डेटाबेस से वस्तुओं को वर्गीकृत करना - मशीन दृष्टि में बड़े पैमाने पर डेटा सेट का सबसे प्रसिद्ध? तो एक नैसनेट न्यूरल नेटवर्क था, जो लगभग मानवीय हस्तक्षेप के बिना बनाया गया था।

जैसा कि यह निकला, एआई तंत्रिका नेटवर्क के डिजाइन और प्रशिक्षण के साथ मुकाबला करता है जो मनुष्यों से बदतर नहीं है। इमेजनेट डेटासेट से वस्तुओं को वर्गीकृत करने और सीओसीओ डेटासेट से वस्तुओं को परिभाषित करने का कार्य स्कैलेबल इमेज रिकग्निशन प्रोजेक्ट के लिए लर्निंग ट्रांसफरेबल आर्किटेक्चर का हिस्सा था।

ऑटोएमएल परियोजना के डेवलपर्स का कहना है कि कार्य गैर-तुच्छ हो गया है, क्योंकि नए डेटा सेट पिछले लोगों की तुलना में बड़े परिमाण के कई आदेश हैं जो सिस्टम के साथ काम करने के लिए उपयोग किया जाता है। मुझे ऑटोएमएल के कुछ एल्गोरिदम को बदलना पड़ा, जिसमें खोज स्थान को फिर से डिज़ाइन करना शामिल था ताकि ऑटोएमएल सबसे अच्छी परत पा सके और तंत्रिका नेटवर्क के अंतिम संस्करण को बनाने से पहले इसे कई बार डुप्लिकेट कर सके। इसके अलावा, डेवलपर्स ने CIFAR-10 के लिए तंत्रिका नेटवर्क की वास्तुकला के विकल्पों की खोज की - और मैन्युअल रूप से सबसे सफल आर्किटेक्चर को ImageNet और COCO कार्यों में स्थानांतरित कर दिया।

इन जोड़तोड़ों के लिए धन्यवाद, ऑटोएमएल प्रणाली तंत्रिका नेटवर्क की सबसे कुशल परतों का पता लगाने में सक्षम थी, जो CIFAR-10 के लिए अच्छी तरह से काम करती थी और एक ही समय में ImageNet और COCO कार्यों में अच्छी साबित हुई। खोज की गई इन दो परतों को नैसनेट नामक एक नवीन वास्तुकला के रूप में संयोजित किया गया।


NASNet वास्तुकला में दो प्रकार की परतें होती हैं: एक सामान्य परत (बाएं) और एक कमी परत (दाएं)। इन दो परतों को एक ऑटोएमएल जनरेटर द्वारा डिज़ाइन किया गया है।

बेंचमार्क ने दिखाया है कि स्वचालित रूप से उत्पन्न AI वस्तुओं के वर्गीकरण और परिभाषा में मानव विशेषज्ञों द्वारा बनाई और प्रशिक्षित की गई अन्य सभी मशीन विजन प्रणालियों से आगे निकल जाती है।



इसलिए, इमेजनेट पर आधारित वर्गीकरण कार्य में, NASNet तंत्रिका नेटवर्क ने परीक्षण सेट पर 82.7% की भविष्यवाणी सटीकता का प्रदर्शन किया। यह परिणाम इंसेप्शन परिवार के सभी पहले से डिज़ाइन किए गए मशीन विज़न मॉडल से अधिक है। NASNet प्रणाली ने सभी ज्ञात मशीन दृष्टि तंत्रिका नेटवर्क की तुलना में कम से कम 1.2 प्रतिशत अंकों का परिणाम दिखाया, जिसमें वैज्ञानिक प्रेस में प्रकाशित नहीं किए गए कार्यों के नवीनतम परिणाम भी शामिल हैं, लेकिन पहले से ही arXiv.org प्रीप्रिंट साइट पर पोस्ट किया गया है।

शोधकर्ताओं ने जोर दिया कि NASNet को कम किया जा सकता है और इसलिए, सटीकता के बहुत नुकसान के बिना कमजोर कंप्यूटिंग संसाधनों के साथ सिस्टम पर काम करने के लिए अनुकूलित किया गया है। तंत्रिका नेटवर्क सीमित मेमोरी संसाधन के साथ कमजोर सीपीयू वाले मोबाइल फोन पर भी काम करने में सक्षम है। लेखकों का कहना है कि NASNet का लघु संस्करण 74% की सटीकता दिखाता है, जो कि मोबाइल प्लेटफ़ॉर्म के लिए उच्चतम-गुणवत्ता वाले ज्ञात तंत्रिका नेटवर्क की तुलना में 3.1 प्रतिशत बेहतर है।

जब इमेजनेट क्लासिफायर से अधिग्रहीत विशेषताओं को ऑब्जेक्ट मान्यता के लिए स्थानांतरित किया गया और फास्टर-आरसीएनएन फ्रेमवर्क के साथ संयुक्त किया गया, तो सिस्टम ने COCO ऑब्जेक्ट मान्यता समस्या में बड़े मॉडल और मोबाइल प्लेटफार्मों के लिए कम संस्करण में सबसे अच्छा परिणाम दिखाया। बड़े मॉडल ने 43.1% एमएपी का परिणाम दिखाया, जो निकटतम प्रतियोगी की तुलना में 4 प्रतिशत अंक बेहतर है।

लेखकों ने TensorFlow के लिए स्लिम एंड ऑब्जेक्ट डिटेक्शन रिपॉजिटरी में NASNet के लिए स्रोत कोड खोला, ताकि हर कोई अपने काम में एक नया तंत्रिका नेटवर्क का अनुभव कर सके।

वैज्ञानिक लेख 1 दिसंबर, 2017 को प्रीप्रिंट साइट arXiv.org (arXiv: 1707.07012v3, तीसरे संस्करण) पर प्रकाशित किया गया था।