Sundar Pichai på selskabets årlige udvikler-konference i Mountain View, Californien.
Machine-learning eksperter er en mangelvare, som virksomheder i mange brancher skynder sig at drage fordel af de seneste fremskridt i kraft af kunstig intelligens. Google ‘ s administrerende DIREKTØR, siger, at en løsning på den mangel på kompetencer, er at have machine-learning software overtage en del af arbejdet med at skabe machine-learning software.
På Google ‘ s årlige udvikler-konference i dag, Pichai indført et projekt kaldet AutoML, der kommer ud af virksomhedens Google Hjernen kunstig intelligens forskning gruppe. Forskere, der har vist, at deres læring algoritmer kan automatisere en af de vanskeligste dele af job for at designe machine-learning software til at påtage sig en bestemt opgave. I nogle tilfælde, deres automatiske system kom op med design, der rivaler eller slår bedste arbejde af human machine-learning eksperter.
“Dette er en meget spændende udvikling,” Pichai fortæller MIT Technology Review, i en e-mail. “Det vil kunne fremskynde hele området og hjælpe os med at tackle nogle af de mest udfordrende problemer, vi står over for i dag.”
Pichai håber AutoML projekt kan udvide antallet af udviklere i stand til at gøre brug af machine learning ved at reducere den nødvendige ekspertise. Dette ville passe ind i Google ‘ s strategi for at positionere sin cloud computing-tjenester som det bedste sted til at bygge og hoste med machine learning. Virksomheden forsøger at lokke nye kunder i corporate cloud computing-markedet, hvor det halter leder Amazon og andet-sted, Microsoft (se “Google Afslører Nye, Stærke AI Chip og Supercomputer”).
Relaterede Historie
Google Afslører en Kraftfuld Ny AI Chip og Supercomputer
Den nye chip, og en cloud-baseret maskine-læring supercomputer vil hjælpe Google med at etablere sig som en AI-med fokus på hardware-og kaffefaciliteter.
AutoML er målrettet mod at gøre det nemmere at bruge en teknik kaldet dyb læring, som Google og andre, der bruger magt til at tale og billede anerkendelse, oversættelse, og robotteknologi (se “10 Banebrydende Teknologier 2013: Deep Learning”).
Dyb læring, lærer-software for at være smart ved at overføre data gennem lag af matematik inspireret af biologi og er kendt som kunstige neurale netværk. At vælge den rigtige arkitektur for et neuralt net er web-matematik er en vigtig del af at lave noget, der virker. Men det er ikke let at finde ud af. “Vi gør det af intuition,” siger Quoc Le, en maskine-læring forsker hos Google arbejder på AutoML projekt.
Sidste måned, Le og kolleger forsker Barret Zoph præsenteret resultater fra eksperimenter, hvor de har til opgave at en maskine-learning system med at finde ud af den bedste arkitektur til at bruge for at få softwaren til at lære at løse sprog og billede-anerkendelse opgaver.
På billedet opgave, at deres system overhalede de bedste arkitekturer designet af menneskelige eksperter. På det sprog, opgave, det er at slå dem.
Måske mere markant, kom det op med arkitekturer af en slags, for at forskere ikke tidligere overveje velegnet til disse opgaver. “I en vis forstand er det fundet noget, vi ikke kender,” siger Le. “Det er slående.”
Abonnere på Weekend Læser
Vores guide til historier i arkiverne for at sætte teknologien i perspektiv.
Tilmeld
Tak — tjek venligst din e-mail for at bekræfte dit abonnement.
Forkert e-mail-format
Administrer dine indstillinger for nyhedsbrev
Begrebet software, der lærer at blive bedre til at lære har været rundt i et stykke tid. Men som i så mange idéer inden for kunstig intelligens, den magt dyb læring, er at lade nye fremskridt. Forskere på Google ‘ s andre AI forskning division, DeepMind, i den akademiske verden, og Elon Musk-backed nonprofit OpenAI er at udforske relaterede begreber (se “AI Software, Lærer at Gøre AI Software”).
Når du bliver spurgt, hvis de er på vej til at sætte sig selv ud af et job, Le og Zoph grine, selv. Lige nu er teknikken er for dyr til at være meget udbredt. Parret eksperimenter bundet op 800 kraftfulde grafik-processorer til flere uger—reoler op den form for magt bill få virksomheder har råd til spekulativ forskning.
Stadig, Google har nu et større team, der arbejder på AutoML, herunder om, hvordan at gøre det mindre ressourcekrævende. Le mener, at det kan bidrage til at gøre video-eller talegenkendelse mere præcise, eller endda føre til fremskridt på thornier problem med at få software til at lære, uden eksplicit retning fra mennesker (se “The Missing Link “Kunstig Intelligens”).