О нас      Контакты      Оплата      Доставка      Кредит      Покупаем БУ      Техподдержка      Акции     
(499) 126-15-12
ICQ445899221   ICQ334778123
КЦ “Савеловский”
Павильон А5
Как добраться

Товаров: 0
Сумма: 0
Курс: $1=62.00руб.
  ВЕРНОСТЬ ТРАДИЦИЯМ

ТКЦ «САВЕЛОВСКИЙ»
   

Машинное преподавание: как экспертиза людей делает ИИ еще сильнее

Машинное преподавание: как экспертиза людей делает ИИ еще сильнее

Фото Дэна ДеЛонга для Microsoft. Марк Хаммонд, генеральный директор подразделения Business AI компании Microsoft и бывший CEO Bonsai, разработал платформу, использующую технологии машинного преподавания, чтобы помочь алгоритмам обучения с подкреплением решать проблемы в реальной жизни.

Вы даете ему биту и мяч, а затем просите миллион раз бросать мяч в воздух разными способами, надеясь, что он в итоге поймет, как эти два предмета связаны. Представьте, что вам нужно научить пятилетнего ребенка отбивать мяч в бейсболе. Разумеется, большинство людей не станут так делать.

В его основе лежит умение людей разбивать проблему на более простые задачи и давать моделям машинного обучения важные подсказки о том, как быстрее найти решение. Но люди хотят использовать ИИ в бо?льшем количестве сценариев, поэтому научные специалисты и разработчики Microsoft выработали новый подход под названием machine teaching, что можно перевести как «машинное преподавание». Это как учить ребенка сначала просто держать мяч, затем освоить подачу снизу и только после этого перейти к крученым.

— Машинное преподавание — это набор инструментов, который поможет вам прекратить так делать». «Применительно к людям это звучит очень естественно и интуитивно, но когда мы переходим к машинному обучению, у всех подход такой: «Давайте сразу бросать системе крученые», — говорит генеральный директор подразделения Business AI компании Microsoft.

Человек, который понимает задачу, — идет ли речь о том, как решить какое подразделение компании должно получить входящее письмо или как автоматически расположить ветровые турбины, чтобы генерировать больше энергии, — сначала разделит проблему на меньшие части. Машинное преподавание берет за основу знания, получаемые от людей, а не только извлекает их из данных. Затем он предоставит ограниченный набор примеров или план действий, чтобы помочь алгоритмам машинного обучения решить задачу.

В сложных и неоднозначных сценариях обучения — когда алгоритмы не могут определить, какое из миллионов возможных действий они должны предпринять, чтобы справиться с задачей в физическом мире, — машинное преподавание может существенно сократить время, которое требуется интеллектуальному агенту для поиска решения. Машинное преподавание особенно полезно в сценариях обучения с подкреплением, когда маркированных учебных данных для алгоритмов машинного обучения очень мало или нет совсем, потому что отрасль или потребности компании очень специфичны. Машинное преподавание позволяет разработчикам или профильным экспертам, не располагающим достаточным опытом в сфере ИИ, таким как юристы, бухгалтеры, инженеры, медсестры или операторы погрузчика, внедрять важные абстрактные концепты в интеллектуальные системы, которые затем выполняют механики машинного обучения в фоновом режиме. Это также часть более масштабной цели — расширить круг людей, использующих ИИ более совершенным способом.

Поэтому необходимо, чтобы системы ИИ под руководством людей узнавали то, что мы уже знаем, — сказал Гурдип Палл, вице-президент по Business AI в Microsoft. «Даже самому умному ИИ без всякой помощи будет непросто понять, как выполнять наиболее сложные задачи, так часто встречающиеся в реальной жизни. — Позволить неэкспертам использовать полностью готовый к употреблению ИИ для выполнения сложных задач — это настоящая золотая жила для машинного преподавания».

Мы предоставим алгоритму огромное количество маркированных примеров, и он научится узнавать характеристики стола. Сегодня, если мы пытаемся научить машину обучающему алгоритму, позволяющему узнать, что такое стол, мы легко найдем набор данных с фотографиями тщательно маркированных столов, стульев и ламп. Увидев, что человек также добавляет в эту категорию стулья, вы продолжите объяснение и сообщите, что у стула есть спинка, а у стола — нет. Но если вам приходилось учить человека тому, как узнать стол, вы, наверное, начнете с объяснения, что у него четыре ножки и плоская крыша. Эти абстракции и цепочка обратной связи — ключ к тому, как люди учатся, и они также могут дополнять традиционные подходы к машинному обучению.

Его команда перешла в группу Experiences and Devices, чтобы продолжить эту работу и реализовать дальнейшую интеграцию машинного преподавания с существующими предложениями с виртуальным собеседником. «Если вы можете чему-то научить другого человека, вы также можете обучать машину, используя аналогичный язык», — говорит Патрис Симард, выдающийся инженер Microsoft, один из первых специалистов подразделения Microsoft Research, начавший работать над технологией машинного преподавания.

Фото Дэна ДеЛонга для Microsoft. Исследователи Microsoft Патрис Симард, Алисия Эдельман Пелтон и Рихам Мансур (слева направо) работают над внедрением технологии машинного преподавания в продукты Microsoft.

Но он понимал, что в реальном мире преподавание — настолько же важный или даже самый важный компонент познания, особенно для простых задач в условиях ограниченного объема доступных данных. Симард задумался о новой парадигме для создания ИИ-систем, когда заметил, что почти все доклады на конференции по машинному обучению касаются совершенствования работы алгоритмов, основанных на тщательно отобранных критериях.

Но указав системе ИИ на те же характеристики, которые вы бы попросили учитывать вашего ребенка-подростка — расход бензина, рейтинги безопасности, результаты краш-тестов, цена, — вы поможете алгоритмам правильно отличать хорошие автомобили от плохих, несмотря на ограниченное количество маркированных примеров. Если хотите научить систему ИИ выбирать лучший автомобиль, но у вас есть лишь несколько примеров, маркированных как «хороший» или «плохой», основываясь на этой ограниченной информации, она может предположить, что определяющая характеристика хорошего автомобиля — это цифра »2» на четвертом месте в номере.

Как и в программировании, искусство машинного преподавания состоит в разделении основной задачи на более мелкие элементы. Машинное преподавание улучшает модели в сценариях обучения с подкреплением, выделяя высокоуровневые значимые характеристики. Если система постоянно делает одну и ту же ошибку, эту ошибку можно исключить, добавив дополнительные характеристики или примеры. Если необходимых характеристик не существует, их можно создать, используя субмодели низшего уровня, достаточно простые, чтобы их можно было изучить на нескольких примерах.

Он используется различными компаниями, от UPS до Progressive Insurance и Telefonica, для разработки ботов интеллектуальной службы поддержки. Один из первых продуктов Microsoft с моделями машинного преподавания — инструмент распознавания речи в Azure Cognitive Services, который идентифицирует замысел и ключевые концепции для коротких текстов.

Достаточно предоставить четыре-пять вариантов, а также важные характеристики и ключевые слова, и функция распознавания речи позаботится о механизмах, которые это обеспечат», — говорит Рихам Мансур, старший менеджер по разработке программного обеспечения для распознавания речи. «Чтобы понять, касается вопрос пользователя счетов или тарифного плана, вам не нужно давать нам все варианты вопросов.

Они также работают над тем, чтобы сделать процесс преподавания более интуитивным, — например, предлагая пользователям выбрать, какие характеристики могут быть важны для решения задачи. Исследователи Microsoft изучают возможности применения концептов машинного преподавания для решения более сложных проблем, таких как классификация более длинных документов, электронных писем и даже изображений.

Зачастую маркированных учебных данных для таких заданий не существует, особенно если каждый специалист отдела продаж решает этот вопрос по-своему. В первую очередь система должна знать, как отличить коммерческое предложение от контракта или выставленного счета.

Им также понадобятся эксперты по машинному обучению, которые будут очень востребованы, — они помогут построить модель машинного обучения. Если бы система использовала традиционные техники машинного обучения, компании было бы нужно выводить этот процесс на аутсорс, отправляя тысячи примеров документов и детальных инструкций, чтобы целая армия людей попыталась корректно их промаркировать, — процесс, для которого могут потребоваться многие месяцы тщательной работы: удаление ошибок и поиск релевантных примеров. И если новые специалисты по продажам начнут использовать другие форматы, применению которых система не была обучена, модель запутается и перестанет успешно работать.

Это поможет заказчикам создавать кастомизированные решения на базе ИИ за секунды, используя знания, которые уже есть в их организации», — говорит Пелтон. Оно переводит знания этого человека на язык, который машина может понять и, используя предварительно выбранный алгоритм машинного обучения, выполнить задачу.

Фото Дэна ДеЛонга для Microsoft. Корпоративный вице-президент подразделения Microsoft Business AI Гурдип Палл на конференции рассказывает об автономных системных решениях, использующих машинное преподавание.

Это стало для него настоящим откровением: он решил использовать ту же методику для обучения машин. Более десяти лет назад Хаммонд работал системным программистом в нейробиологической лаборатории в Йеле, и он заметил, что ученые используют пошаговый подход для обучения животных выполнению задач, необходимых для исследований.

Она сочетает технологии машинного преподавания с глубоким обучением с подкреплением и симуляцией, чтобы помочь компаниям разрабатывать «мозги», управляющие автономными системами в приложениях, от роботизации и производства до энергетики и домоуправления. В итоге он создал компанию Bonsai,  приобретенную Microsoft в прошлом году. Платформа использует язык программирования Inkling,  чтобы помочь разработчикам и даже профильным экспертам разложить проблемы на составные части и написать программы для ИИ.

Но эти модели пока не могут научиться решать более сложные промышленные задачи в реальной жизни», — говорит Хаммонд. «Глубокое обучение с подкреплением, ветвь ИИ, в которой алгоритмы обучаются методом проб и ошибок, основанном на системе поощрений, уже успешно обыгрывает людей в видеоигры.

На языке Inkling человек создает «план урока», в котором выделяет релевантную информацию, необходимую для выполнения задания и контроля правильности работы системы. Например, представьте, что производственная компания хочет обучить интеллектуального агента автономно калибровать важное оборудование, работа которого может быть нарушена при перепадах влажности или температуры, или же после длительного использования.

Он протестирует различные варианты действий в режиме моделирования и будет вознагражден или наказан, в зависимости от того, как быстро и точно выполнит калибровку. Вооруженная этой информацией из своего компонента машинного преподавания система Bonsai выберет лучшую модель обучения с подкреплением и создаст «мозг» на базе ИИ, чтобы снизить затратное время простоя путем автономной калибровки оборудования.

— Машинное преподавание помогает разрешить те проблемы, которые без него останутся нерешаемыми». «Причина, по которой машинное преподавание является критически важным, — в том, что если только нативно использовать обучение с подкреплением, не давая ему никакой информации по решению проблемы, система будет проводить произвольные исследования, и велика вероятность, что результат достигнут не будет, — говорит Хаммонд.

Фото Дэна ДеЛонга для Microsoft. Марк Хаммонд, генеральный директор подразделения Business AI компании Microsoft и бывший CEO Bonsai, разработал платформу, использующую технологии машинного преподавания, чтобы помочь алгоритмам обучения с подкреплением решать проблемы в реальной жизни.

Вы даете ему биту и мяч, а затем просите миллион раз бросать мяч в воздух разными способами, надеясь, что он в итоге поймет, как эти два предмета связаны. Представьте, что вам нужно научить пятилетнего ребенка отбивать мяч в бейсболе. Разумеется, большинство людей не станут так делать.

В его основе лежит умение людей разбивать проблему на более простые задачи и давать моделям машинного обучения важные подсказки о том, как быстрее найти решение. Но люди хотят использовать ИИ в бо?льшем количестве сценариев, поэтому научные специалисты и разработчики Microsoft выработали новый подход под названием machine teaching, что можно перевести как «машинное преподавание». Это как учить ребенка сначала просто держать мяч, затем освоить подачу снизу и только после этого перейти к крученым.

— Машинное преподавание — это набор инструментов, который поможет вам прекратить так делать». «Применительно к людям это звучит очень естественно и интуитивно, но когда мы переходим к машинному обучению, у всех подход такой: «Давайте сразу бросать системе крученые», — говорит генеральный директор подразделения Business AI компании Microsoft.

Человек, который понимает задачу, — идет ли речь о том, как решить какое подразделение компании должно получить входящее письмо или как автоматически расположить ветровые турбины, чтобы генерировать больше энергии, — сначала разделит проблему на меньшие части. Машинное преподавание берет за основу знания, получаемые от людей, а не только извлекает их из данных. Затем он предоставит ограниченный набор примеров или план действий, чтобы помочь алгоритмам машинного обучения решить задачу.

В сложных и неоднозначных сценариях обучения — когда алгоритмы не могут определить, какое из миллионов возможных действий они должны предпринять, чтобы справиться с задачей в физическом мире, — машинное преподавание может существенно сократить время, которое требуется интеллектуальному агенту для поиска решения. Машинное преподавание особенно полезно в сценариях обучения с подкреплением, когда маркированных учебных данных для алгоритмов машинного обучения очень мало или нет совсем, потому что отрасль или потребности компании очень специфичны. Машинное преподавание позволяет разработчикам или профильным экспертам, не располагающим достаточным опытом в сфере ИИ, таким как юристы, бухгалтеры, инженеры, медсестры или операторы погрузчика, внедрять важные абстрактные концепты в интеллектуальные системы, которые затем выполняют механики машинного обучения в фоновом режиме. Это также часть более масштабной цели — расширить круг людей, использующих ИИ более совершенным способом.

Поэтому необходимо, чтобы системы ИИ под руководством людей узнавали то, что мы уже знаем, — сказал Гурдип Палл, вице-президент по Business AI в Microsoft. «Даже самому умному ИИ без всякой помощи будет непросто понять, как выполнять наиболее сложные задачи, так часто встречающиеся в реальной жизни. — Позволить неэкспертам использовать полностью готовый к употреблению ИИ для выполнения сложных задач — это настоящая золотая жила для машинного преподавания».

Мы предоставим алгоритму огромное количество маркированных примеров, и он научится узнавать характеристики стола. Сегодня, если мы пытаемся научить машину обучающему алгоритму, позволяющему узнать, что такое стол, мы легко найдем набор данных с фотографиями тщательно маркированных столов, стульев и ламп. Увидев, что человек также добавляет в эту категорию стулья, вы продолжите объяснение и сообщите, что у стула есть спинка, а у стола — нет. Но если вам приходилось учить человека тому, как узнать стол, вы, наверное, начнете с объяснения, что у него четыре ножки и плоская крыша. Эти абстракции и цепочка обратной связи — ключ к тому, как люди учатся, и они также могут дополнять традиционные подходы к машинному обучению.

Его команда перешла в группу Experiences and Devices, чтобы продолжить эту работу и реализовать дальнейшую интеграцию машинного преподавания с существующими предложениями с виртуальным собеседником. «Если вы можете чему-то научить другого человека, вы также можете обучать машину, используя аналогичный язык», — говорит Патрис Симард, выдающийся инженер Microsoft, один из первых специалистов подразделения Microsoft Research, начавший работать над технологией машинного преподавания.

Фото Дэна ДеЛонга для Microsoft. Исследователи Microsoft Патрис Симард, Алисия Эдельман Пелтон и Рихам Мансур (слева направо) работают над внедрением технологии машинного преподавания в продукты Microsoft.

Но он понимал, что в реальном мире преподавание — настолько же важный или даже самый важный компонент познания, особенно для простых задач в условиях ограниченного объема доступных данных. Симард задумался о новой парадигме для создания ИИ-систем, когда заметил, что почти все доклады на конференции по машинному обучению касаются совершенствования работы алгоритмов, основанных на тщательно отобранных критериях.

Но указав системе ИИ на те же характеристики, которые вы бы попросили учитывать вашего ребенка-подростка — расход бензина, рейтинги безопасности, результаты краш-тестов, цена, — вы поможете алгоритмам правильно отличать хорошие автомобили от плохих, несмотря на ограниченное количество маркированных примеров. Если хотите научить систему ИИ выбирать лучший автомобиль, но у вас есть лишь несколько примеров, маркированных как «хороший» или «плохой», основываясь на этой ограниченной информации, она может предположить, что определяющая характеристика хорошего автомобиля — это цифра »2» на четвертом месте в номере.

Как и в программировании, искусство машинного преподавания состоит в разделении основной задачи на более мелкие элементы. Машинное преподавание улучшает модели в сценариях обучения с подкреплением, выделяя высокоуровневые значимые характеристики. Если система постоянно делает одну и ту же ошибку, эту ошибку можно исключить, добавив дополнительные характеристики или примеры. Если необходимых характеристик не существует, их можно создать, используя субмодели низшего уровня, достаточно простые, чтобы их можно было изучить на нескольких примерах.

Он используется различными компаниями, от UPS до Progressive Insurance и Telefonica, для разработки ботов интеллектуальной службы поддержки. Один из первых продуктов Microsoft с моделями машинного преподавания — инструмент распознавания речи в Azure Cognitive Services, который идентифицирует замысел и ключевые концепции для коротких текстов.

Достаточно предоставить четыре-пять вариантов, а также важные характеристики и ключевые слова, и функция распознавания речи позаботится о механизмах, которые это обеспечат», — говорит Рихам Мансур, старший менеджер по разработке программного обеспечения для распознавания речи. «Чтобы понять, касается вопрос пользователя счетов или тарифного плана, вам не нужно давать нам все варианты вопросов.

Они также работают над тем, чтобы сделать процесс преподавания более интуитивным, — например, предлагая пользователям выбрать, какие характеристики могут быть важны для решения задачи. Исследователи Microsoft изучают возможности применения концептов машинного преподавания для решения более сложных проблем, таких как классификация более длинных документов, электронных писем и даже изображений.

Зачастую маркированных учебных данных для таких заданий не существует, особенно если каждый специалист отдела продаж решает этот вопрос по-своему. В первую очередь система должна знать, как отличить коммерческое предложение от контракта или выставленного счета.

Им также понадобятся эксперты по машинному обучению, которые будут очень востребованы, — они помогут построить модель машинного обучения. Если бы система использовала традиционные техники машинного обучения, компании было бы нужно выводить этот процесс на аутсорс, отправляя тысячи примеров документов и детальных инструкций, чтобы целая армия людей попыталась корректно их промаркировать, — процесс, для которого могут потребоваться многие месяцы тщательной работы: удаление ошибок и поиск релевантных примеров. И если новые специалисты по продажам начнут использовать другие форматы, применению которых система не была обучена, модель запутается и перестанет успешно работать.

Это поможет заказчикам создавать кастомизированные решения на базе ИИ за секунды, используя знания, которые уже есть в их организации», — говорит Пелтон. Оно переводит знания этого человека на язык, который машина может понять и, используя предварительно выбранный алгоритм машинного обучения, выполнить задачу.

Фото Дэна ДеЛонга для Microsoft. Корпоративный вице-президент подразделения Microsoft Business AI Гурдип Палл на конференции рассказывает об автономных системных решениях, использующих машинное преподавание.

Это стало для него настоящим откровением: он решил использовать ту же методику для обучения машин. Более десяти лет назад Хаммонд работал системным программистом в нейробиологической лаборатории в Йеле, и он заметил, что ученые используют пошаговый подход для обучения животных выполнению задач, необходимых для исследований.

Она сочетает технологии машинного преподавания с глубоким обучением с подкреплением и симуляцией, чтобы помочь компаниям разрабатывать «мозги», управляющие автономными системами в приложениях, от роботизации и производства до энергетики и домоуправления. В итоге он создал компанию Bonsai,  приобретенную Microsoft в прошлом году. Платформа использует язык программирования Inkling,  чтобы помочь разработчикам и даже профильным экспертам разложить проблемы на составные части и написать программы для ИИ.

Но эти модели пока не могут научиться решать более сложные промышленные задачи в реальной жизни», — говорит Хаммонд. «Глубокое обучение с подкреплением, ветвь ИИ, в которой алгоритмы обучаются методом проб и ошибок, основанном на системе поощрений, уже успешно обыгрывает людей в видеоигры.

На языке Inkling человек создает «план урока», в котором выделяет релевантную информацию, необходимую для выполнения задания и контроля правильности работы системы. Например, представьте, что производственная компания хочет обучить интеллектуального агента автономно калибровать важное оборудование, работа которого может быть нарушена при перепадах влажности или температуры, или же после длительного использования.

Он протестирует различные варианты действий в режиме моделирования и будет вознагражден или наказан, в зависимости от того, как быстро и точно выполнит калибровку. Вооруженная этой информацией из своего компонента машинного преподавания система Bonsai выберет лучшую модель обучения с подкреплением и создаст «мозг» на базе ИИ, чтобы снизить затратное время простоя путем автономной калибровки оборудования.

— Машинное преподавание помогает разрешить те проблемы, которые без него останутся нерешаемыми». «Причина, по которой машинное преподавание является критически важным, — в том, что если только нативно использовать обучение с подкреплением, не давая ему никакой информации по решению проблемы, система будет проводить произвольные исследования, и велика вероятность, что результат достигнут не будет, — говорит Хаммонд.


Дата публикации: 14.10.2019


Ещё новости


  16.10.2019  Озёра стали токсичнее из-за глобального потепления

Выяснилось, что пиковая интенсивность цветения водорослей в летние месяцы выросла в 68% изученных озёр, а упала лишь в шести водоёмах. Американские исследователи получили снимки 71 крупного озера, кот...

  17.10.2019  Google согласилась сделать камеру Pixel 3 и Pixel 3a ещё лучше

Первое, что приходит на ум, — это производительность. Чем флагманский смартфон отличается от нефлагманского? Но если та же Apple без зазрения совести встраивает их только в топовые устройства, не обра...

  16.09.2019  Игровая мышь Logitech G604 Lightspeed поддерживает два варианта беспроводного подключения

Как утверждает производитель, это «беспроводная мышь нового поколения с потрясающим временем автономной работы, разработанная для геймеров, которые любят играть, но также нуждаются в универсальном инс...

  09.10.2019  Подбор хэшей паролей основателей Unix

Так как пароли хэшированы методом DES, который в для современной вычислительной техники не представляет проблем с подбором, энтузиасты попытались восстановить пароли, используемые основателями Unix. ...

  27.10.2019  Honor V30 действительно похож на флагман Samsung

Снимок подтверждает ранее появившуюся информацию о размещении селфи-камеры.  На фотографии показан смартфон, который проходит под названием Honor V30. В основной камере будут установлены датчики разре...



Все новости
Достаем Ноутбуки...
Ждем Ваши заказы...
Оформление кредита
Наши программисты потрудилсь сделать так, что бы вы могли оформить кредит не вставая из за стола
   
© 2003—2019 Интернет-магазин ноутбуков a5savel.ru. Все права защищены.
Нелицензированное использование материалов данного сайта запрещено.
(499) 126-15-12 |