En uppdelning av Google, som arbetar med utveckling av artificiell intelligens, tillkännagav skapandet av en ny metod för utbildning neurala nätverk, som kombinerar användning av avancerade algoritmer och gamla tv-spel. Kvaliteten i den lärande miljön som används i de gamla Atari tv-spel.
Utvecklarna på DeepMind (minns att dessa människor har skapat ett neuralt nätverk AlphaGo, gång på gång vinna de bästa spelarna på ett logiskt spelet go) anser att maskiner kan lära sig precis som människor. Med hjälp av ett utbildningssystem DMLab-30, baserat på skytten Quake III och arcade spel Atari (används 57 olika spel), ingenjörer har utvecklat en ny maskin lärande algoritm IMPALA (Vikten Vägt Skådespelare-Elev-Arkitekturer). Det gör att enskilda delar för att studera funktionen av flera uppgifter, och sedan dela kunskap mellan sig.
I många avseenden det nya systemet bygger på den tidigare arkitektoniska system A3C (Asynkron Skådespelare-Kritiker Agenter) som i vissa agenter är att utforska miljön, då processen avbrytas och de utbyter kunskap med Central komponent, en “lärjunge”. För IMPALA, då det är agenter kan vara mer, och den lärande processen är lite annorlunda. I det, agenter skicka information från två “lärjungar”, som sedan utbyta data med varandra. Dessutom, om A3C beräkna lutningen av förlust av funktion (med andra ord, skillnaden mellan uppskattad och erhållna värden för de parametrar) är gjort av agenter som skickar information till den Centrala kärnan, i IMPALA denna uppgift utförs av “studenter”.
Ett exempel på passningar man:
Här visas hur samma uppgift system IMPALA:
Ett av de största problemen i utvecklingen av AI är den tid och den behöver för hög datorkraft. Även i samband med Autonoma bilar behöver en uppsättning regler som man kan följa under deras egna studier och för att hitta lösningar på problem. Eftersom vi kan inte bara bygga robotar och släpper ut dem i naturen för att lära sig, utvecklare använda simulering som metoder och djupt lärande.
Att moderna neurala nätverk kunde lära sig något, de har för att bearbeta en stor mängd information, i det här fallet — miljarder bilder. Och ju förr de gör det, desto mindre tid spenderas på att lära sig.
Enligt DeepMind, i närvaro av ett tillräckligt antal processorer IMPALA uppnår resultat av 250 000 bilder/s, eller 21 miljarder bilder per dag. Detta är ett absolut rekord för denna typ av uppgifter, enligt portal The Next Web. Utvecklarna själva kommentar om vad deras AI-system som gör jobbet bättre än samma maskiner och människor.
I framtiden kommer dessa AI-algoritmer kan användas i robotik. Genom att optimera system, maskininlärning, robotar kommer att vara snabbare på att anpassa sig till miljön och att arbeta mer effektivt.
Artificiell intelligens har blivit att lära sig 10 gånger snabbare och mer effektivt
Nikolai Khizhnyak