Abteilung von Google, die sich den Entwicklungen der künstlichen Intelligenz, berichtete über die Gründung einer neuen Methode des Lernens neuronale Netze, kombiniert mit fortschrittlichen algorithmen und alten Videospielen. Als Lernumgebung werden die alten Atari Videospiele.
Die Entwickler DeepMind (wir erinnern daran, dass diese Menschen eine нейросеть AlphaGo, immer wieder победившую besten Spieler in der Puzzle-Spiel go) glauben, dass die Maschinen sind in der Lage, zu lernen so wie die Menschen. Mit dem Trainingsprogramm System DMLab-30, die auf der Basis von Shooter Quake III und Arcade-Spiele von Atari (werden 57 verschiedene Spiele), die Ingenieure entwickelten einen neuen Algorithmus des maschinellen Lernens IMPALA (Importance Weighted Actor-Learner Architectures). Er ermöglicht eine getrennte Teile ausgebildet zur Ausführung mehrerer Aufträge, und dann Wissensaustausch untereinander.
In vielerlei Hinsicht ist das neue System wurde auf der Grundlage von früheren architektonischen System A3C (Asynchronous Actor-Critic Agents), in denen die einzelnen Agenten Umgebung erforschen, dann wird der Prozess unterbrochen, und Sie tauschen Ihr wissen mit einer zentralen Komponente, «Schüler». Ueber IMPALA, dann haben Sie einen Agenten kann größer sein, und der Lernprozess geschieht etwas anders. Darin Agents senden Informationen direkt zwei «Schüler», die dann auch noch miteinander kommunizieren. Darüber hinaus, wenn im A3C Berechnung Steigungs-loss-Funktion (mit anderen Worten, Inkonsistenzen vorhergesagt und erhaltenen Werte der Parameter) beschäftigen sich die Agenten selbst, die zum senden von Informationen an den zentralen Kern, dann sind im System IMPALA dieser Aufgabe beschäftigen sich die «jünger».
Beispiel Passspiel Person:
Hier wird gezeigt, wie mit der gleichen Aufgabe meistert das System IMPALA:
Eines der Hauptprobleme bei der Entwicklung von KI ist die Zeit und die Notwendigkeit hoher Rechenleistung. Auch bei der Autonomie Maschinen brauchen Regeln, denen Sie Folgen konnte im Verlauf der eigenen Experimente und die Suche nach Lösungen für die Aufgaben. Da wir nicht nur Roboter bauen und veröffentlichen Sie auf dem Willen zu lernen, die die Entwickler verwenden, Simulations-und Deep-learning-Methoden.
Um moderne neuronale Netze vielleicht etwas zu lernen, müssen Sie eine riesige Menge an Informationen zu verarbeiten, in diesem Fall — Milliarden von Bildern. Und je schneller Sie es tun, desto weniger Zeit wird auf das lernen.
Nach den Worten der Vertreter DeepMind, wenn eine ausreichende Anzahl von Prozessoren IMPALA erreicht eine Leistung von 250 000 Frames/s oder 21 Milliarden Bilder pro Tag. Das ist ein absoluter Rekord für diese Art von Problemen, berichtet das Portal The Next Web. Selbst die Entwickler kommentieren, dass Ihre KI-System meistert die Aufgabe besser als vergleichbare Maschinen und Menschen.
In der Zukunft ähnliche KI-algorithmen werden in der Robotik verwenden. Durch die Optimierung der Systeme maschinelles lernen Roboter werden schneller an die Umgebung anpassen und effizienter arbeiten.
Künstliche Intelligenz ausgebildet wurde 10 mal schneller und effektiver
Nikolai Hizhnyak