Исследователи из математического факультета Университета Лестера опубликовали статью в журнале Neural Networks, в которой излагаются математические основы новых алгоритмов, которые могут позволить искусственному интеллекту собирать отчеты об ошибках и немедленно исправлять их, не затрагивая существующие навыки — в то же время накапливая исправления. который может быть использован для будущих версий или обновлений.По сути, это может дать роботам возможность мгновенно исправлять ошибки, эффективно «учиться» на своих ошибках без ущерба для уже полученных знаний и, в конечном итоге, распространять новые знания между собой.Совместно с промышленными партнерами из ARM эти алгоритмы объединены в систему, корректор ИИ, способный оперативно улучшить производительность унаследованных ИИ (технический отчет доступен в Интернете). *ARM — крупнейший в мире поставщик IP-устройств для полупроводников и архитектура, которую предпочитают более 90% разрабатываемых сегодня интеллектуальных электронных продуктов.Профессор Александр Горбан из факультета математики Университета Лестера сказал: «На сегодняшний день развернуто несколько версий систем анализа больших данных с использованием искусственного интеллекта на миллионах компьютеров и гаджетов на различных платформах.
Они функционируют в неоднородных сетях и взаимодействуют между собой.«Промышленные технологические гиганты, такие как Amazon, IBM, Google, Facebook, SoftBank, ARM и многие другие, участвуют в разработке этих систем. Их производительность повышается, но иногда они совершают ошибки, такие как ложные срабатывания сигнализации, неправильные определения или неверные прогнозы. Ошибки неизбежны из-за неопределенности, присущей большим данным.
«Кажется вполне естественным, что люди могут сразу учиться на своих ошибках и не повторять их (по крайней мере, лучшие из нас). Как наделить искусственный интеллект этой способностью — большая проблема.«Трудно исправить большую систему ИИ на лету, еще труднее подковать лошадь на полном галопе без остановки.«Недавно мы обнаружили, что решение этой проблемы возможно.
В этой работе мы демонстрируем, что в больших размерностях и даже для экспоненциально больших выборок линейные классификаторы в их классической форме Фишера достаточно мощны, чтобы с высокой вероятностью отделить ошибки от правильных ответов. и обеспечить эффективное решение проблемы неразрушающего корректора ».Существует острая необходимость в дешевой, быстрой и локальной процедуре исправления, которая не повредила бы важным навыкам систем ИИ в процессе исправления.
Итерационные методы машинного обучения никогда не обходятся дешево для больших данных и огромных систем искусственного интеллекта, поэтому исследователи предполагают, что корректор должен быть неитерационным с обратимыми корректорами, необходимыми для перенастройки и объединения локальных коррекций.Доктор Иван Тюкин из факультета математики Университета Лестера сказал: «Часто невозможно просто переобучить системы по нескольким причинам: они огромны, а переобучение требует значительных вычислительных ресурсов или длительного времени, или того и другого; это может быть невозможно. переобучить систему на месте, в точке, где возникает ошибка; и мы можем исправить одну вещь, но сломать другую, что приведет к исчезновению важных навыков.
«Разработка устойчивых больших интеллектуальных систем для добычи больших данных требует создания технологий и методов для быстрых неразрушающих, неитеративных и обратимых исправлений. До сих пор такой технологии не существовало».
Исследователи обнаружили и доказали теоремы стохастического разделения, которые предоставляют инструменты для исправления больших интеллектуальных систем анализа данных.При таком подходе становится возможным мгновенное обучение искусственному интеллекту, что дает ИИ возможность повторно обучаться после ошибки после ее возникновения.Исследование было частично поддержано Innovate UK через гранты Партнерства по передаче знаний: KTP009890 между ARM / Apical Ltd и Университетом Лестера и KTP010522 между Visual Management Systems Limited и Университетом Лестера.Схема партнерства по передаче знаний (KTP) помогает предприятиям внедрять инновации и расти.
Это достигается путем связывания их с университетом и выпускником для работы над конкретным проектом.Д-р Илья Романенко, директор отдела исследований в области компьютерного зрения, визуализации и зрения компании ARM, сказал: «Наличие такой системы незаменимо при крупномасштабном развертывании услуг ИИ для клиентов и конечных пользователей. Использование устройств с поддержкой ИИ с учетом требований клиентов. приводит к специфическим для клиента ошибкам, что воспринимается конечным пользователем как неприемлемая ситуация.
Переобучение основного ИИ для устранения этих ошибок технически сложно и потенциально рискованно. Недавно обученный ИИ, обученный избегать конкретных ошибок, может демонстрировать неожиданное поведение в другой ситуации.В этом сценарии масштаб проблемы растет экспоненциально по мере роста масштабов развертывания ИИ, что делает это практически невозможным.
«Новая технология позволяет полностью устранить эти препятствия, обеспечивая совместную работу устройств с ИИ в процессе устранения ошибок. Это новое качество позволяет крупным развертываниям с ИИ становиться более интеллектуальными по мере роста их размера. На практике это означает, что безошибочные устройства с ИИ становятся реальностью. . Недавно мы подали заявку на патент, чтобы закрепить наш приоритет в этой области ».* https: //arxiv.org/abs/1610.00494