TeamQuest Blog

AutoML-Zero – framework eugenicznego samodoskonalenia się sztucznej inteligencji

AutoML-Zero – framework eugenicznego samodoskonalenia się sztucznej inteligencji

Maciej Olanicki , 27.04.2020 r.

W dużym uproszczeniu można powiedzieć, że dzisiejsze doskonalenie sztucznej inteligencji bazuje przede wszystkim na próbach odwzorowania budowy i pracy ludzkiego mózgu. Przynosi to bardzo ciekawe rezultaty, ale też z samego założenia ma swoje ograniczenia. Framework AutoML-Zero rewiduje to podejście i kładzie nacisk na zautomatyzowaną ewolucję algorytmów ze szczególnym uwzględnieniem eugeniki.

Jednym z wniosków płynących z zeszłorocznej odsłony NeurIPS, największej i najważniejszej konferencji akademickiej dotyczącej rozwoju sztucznej inteligencji, były dostrzegalne już na bieżącym etapie przeszkody w jej rozwoju. Naukowcy niezależnie od siebie zauważali, że skalowanie możliwości SI oparte o rozbudowę infrastruktury nie przynosi rezultatów. Zwiększanie mocy obliczeniowej nie przekłada się już w takim stopniu, jak w ciągu ostatnich lat, na doskonalenie skuteczności algorytmów. Można to porównać do rozwoju procesorów – dokładanie kolejnych rdzeni taktowanych z coraz większą częstotliwością daje lepsze wyniki w benchmarkach, ale pozostaje skalowaniem dotychczasowych technologii, a nie jej rozwojem.

ewolucja2

W pewnym sensie w odpowiedzi na te spostrzeżenia zespół pracujący pod kierownictwem zatrudnionego w Google So Quoca Le opracował framework AutoML-Zero. Według naukowców jednym z ograniczeń rozwoju dzisiejszych sieci neuronowych jest ludzka percepcja – wspomniany koncept odtwarzania struktury ludzkiego mózgu w teorii nie może zostać udoskonalony przez ludzi, dla których struktura ta jest najwyższą formą inteligencji. Dlatego zdecydowali się oni ukierunkować swoje badania na automatyzację rozwoju algorytmów głębokiego uczenia, zaś „Zero” w nazwie frameworka odnosić ma się do zerowego wkładu człowieka w samoczynny rozwój sztucznej inteligencji.

Jak czytamy na łamach „Science”, AutoML-Zero odkrywa algorytmy, naśladując proces ewolucji. Zaczyna od wygenerowania algorytmów i testuje ich skuteczność w zadaniach stawianych najczęściej przed dzisiejszą SI. W każdym cyklu ich skuteczność porównywana jest z przygotowanymi przez ludzi algorytmami, a cechy najskuteczniejszych z nich sobą ze sobą krzyżowane. Algorytmy najgorzej wywiązujące się ze swoich zadań są odrzucane w każdym cyklu. W ten sposób dochodzi – w procesie, który można porównać do eugeniki – z cyklu na cykl przekazywane są elementy algorytmów najskuteczniejszych w rozwiązywaniu stawianych przed nimi zadań.

ewolcuja

Oczywiście na aktualnym etapie do czynienia mamy raczej z eksperymentalną koncepcją, ale So Quoc Le optymistycznie zapatruje się na rozwój AutoML-Zero, przede wszystkim w zakresie automatyzacji pracy naukowców i przyśpieszania prac nad rozwojem sztucznej inteligencji. Proces eugenicznego samodoskonalenia się algorytmów przebiega bowiem automatycznie, a „pula genetyczna” jest generowana przez sam framework, który na bazie porównań z już istniejącymi rozwiązania wyłania najlepsze algorytmy „dziedziczące” najlepsze cechy. Praca „AutoML-Zero: Evolving Machine Learning Algorithms From Scratch” dostępna jest w bazie arXiv.

Najnowsze oferty pracy:

Polecane wpisy na blogu IT:

Szukasz pracownika IT?

Dostarczymy Ci najlepszych specjalistów z branży IT. Wyślij zapytanie

Wyrażam zgodę TeamQuest Sp. z o.o. na przetwarzanie moich danych osobowych w celu marketingu produktów i usług własnych TeamQuest, w tym na kontaktowanie się ze mną w formie połączenia telefonicznego lub środkami elektronicznymi.
Administratorem podanych przez Ciebie danych osobowych jest TeamQuest Sp. z o.o., z siedzibą w Warszawie (00-814), ul. Miedziana 3a/21, zwana dalej „Administratorem".
Jeśli masz jakiekolwiek pytania odnośnie przetwarzania przez nas Twoich danych, skontaktuj się z naszym Inspektorem Ochrony Danych (IOD). Do Twojej dyspozycji jest pod adresem e-mail: office@teamquest.pl.
W jakim celu i na jakiej podstawie będziemy wykorzystywać Twoje dane? Dowiedz się więcej