Программное обеспечение машинного обучения Google научилось самовоспроизводству

В мае этого года мы писали о проекте AutoML – технологии искусственного интеллекта (ИИ) компании Google, разработанной специально для того, чтобы создавать другие ИИ. Теперь Google объявила о том, что ее AutoML смогла превзойти разработчиков ИИ и способна самостоятельно создавать программное обеспечение для машинного обучения, которое оказывается более эффективным и мощным в сравнении с лучшими примерами аналогичных систем, разработанных человеком.

Программное обеспечение машинного обучения Google научилось самовоспроизводству. Фото.

AutoML недавно установила рекорд в эффективности и скорости каталогизации изображений, по указанным условиям, показав результат в 82 процента эффективности. И хотя это задание само по себе оказалось для системы относительно простым, AutoML также смогла превзойти автоматизированные системы и специальные системы дополненной реальности в более сложной задаче – определении местоположения множественных объектов на изображении. В этом испытании AutoML справилась в 43 процентах случаев, в то время как созданные человеком системы показали уровень эффективности в 39 процентов.

Результаты впечатляющие, потому что даже в такой гигантской компании, как Google, имеется всего несколько человек, обладающих достаточным опытом для того, чтобы вести разработку ИИ-систем подобного уровня. Для автоматизации этой сферы требуется наличие очень широкого набора навыков, но как только результат будет достигнут, это может полностью изменить индустрию, как отмечают в Google.

«Сегодня создавать подобное программное обеспечение могут лишь несколько тысяч специалистов по машинному обучению во всем мире. Но мы хотим сделать так, чтобы сотни тысяч других разработчиков тоже могли принять в этом участие», — цитирует слова генерального директора Google Сундара Пичаи журнал Wired.

Значительная часть метаобучения связана с имитацией работы нейронных сетей человеческого мозга, а также необходимостью прогона огромных объемов различных данных через эти сети. Разумеется, самая сложная задача как раз заключается именно в том, чтобы имитировать структуру мозга и заставить ее решать более сложные проблемы.

Сегодня существующие нейронные сети по-прежнему проще модернизировать или настроить под определенные задачи, нежели разрабатывать новые с самого нуля. Однако исследование вроде того, о котором мы говорим, предполагает, что это лишь временное явление.

Поскольку новым ИИ будет проще создавать все более сложные системы, предназначающиеся для выполнения задач, выполнить которые сейчас человек просто не в состоянии, то очень важно, чтобы человек по-прежнему оставался в качестве ключевого звена, без которого эти системы попросту не смогут функционировать. По-настоящему полноценный ИИ без труда сможет использовать предубежденное толкование в тех или иных вопросах, например, стереотипно оценив параллель между этическими и гендерными особенностями. Однако если инженеры будут уделять больше времени решению этой потенциальной проблемы уже сейчас, не оставляя все на потом, то в будущем у нее будет меньше шансов на реальное возникновение.

В целом Google старается отточить AutoML до такого состояния, чтобы разработчики могли использовать ее в реальных решениях задач. Если у них это получится, то эффект использования AutoML сможет сказаться далеко за пределами стен самой компании.

«Мы хотим ее демократизировать», — цитирует слова Пичаи журнал Wired.