En opdeling af Google, der beskæftiger sig med udviklingen af kunstig intelligens, annoncerede oprettelsen af en ny metode til uddannelse af neurale netværk, som kombinerer brugen af avancerede algoritmer og gamle videospil. Kvaliteten af læringsmiljøet i den gamle Atari videospil.
Udviklerne hos DeepMind (husk på, at disse mennesker har skabt et neuralt netværk AlphaGo, gentagne gange for at vinde de bedste spillere i en logisk spil go) mener, at maskiner kan lære ligesom mennesker. Ved hjælp af et uddannelsessystem, der DMLab-30, baseret på skytte Quake III og arcade spil Atari (bruges 57 forskellige spil), ingeniører udviklet en ny maskine læring algoritme IMPALA (Betydning Vægtet Aktør-Eleven Arkitekturer). Det giver de enkelte dele til at studere udførelsen af flere opgaver, og derefter til at dele viden mellem sig.
I mange henseender det nye system var baseret på den tidligere arkitektoniske systemer A3C (Asynkron Skuespiller-Kritiker Agenter), hvor nogle agenter er at udforske miljøet, så processen er afbrudt, og de udveksler viden med den Centrale komponent, en “discipel”. Som for IMPALA, så er det agenter kan være mere, og den læringsproces, der er lidt anderledes. I det, agenter sende oplysninger fra to “disciple”, som derefter udveksler data med hinanden. Desuden, hvis A3C computing gradient af tab af funktion (med andre ord, forskellen mellem forventede og opnåede værdier for de parametre, der er udført af agenter, som sender oplysninger til den Centrale kerne, i IMPALA denne opgave udføres af “de studerende”.
Et eksempel på den passerende spillet mand:
Her er det vist, hvordan den samme opgave-system IMPALA:
Et af de største problemer i udviklingen af AI er den tid, og behovet for høj computerkraft. Selv i forbindelse med Selvstyrende biler har brug for et sæt regler, som de kunne følge i deres egne eksperimenter og finde løsninger på problemer. Da vi ikke bare kan bygge robotter og genudsætter dem i naturen, at lære, udviklere bruge simulering og dyb læring.
Til moderne neurale netværk var i stand til at lære noget, de har til at behandle en enorm mængde af information, i dette tilfælde — milliarder af billeder. Og jo før de gør det, jo mindre tid der er brugt på at lære.
Ifølge DeepMind, i tilstedeværelsen af et tilstrækkeligt antal processorer IMPALA opnår resultater på 250 000 billeder i sekundet, eller 21 milliarder frames per dag. Dette er en absolut rekord for denne slags opgaver, i henhold til portalen The Next Web. Udviklerne selv kommentere på, hvad deres AI-system gør jobbet bedre end de samme maskiner og mennesker.
I fremtiden, vil disse AI-algoritmer kan bruges i robotteknologi. Ved at optimere systemer, machine learning, vil robotter være hurtigere til at tilpasse sig til miljøet og til at arbejde mere effektivt.
Kunstig intelligens er blevet til at lære 10 gange hurtigere og mere effektivt
Nikolai Khizhnyak