Intel·ligència artificial i aprenentatge automàtic són els dos termes més calents de moltes indústries dels darrers anys. L’avanç tecnològic més recent en aquest domini és el desenvolupament de la IA que al seu torn crea una IA millor que qualsevol IA artificial.
El gener de 2017 va començar Google Brain desenvolupament d’IA programari que pot crear més IAs. Més endavant, al maig d’aquest any, els investigadors van desenvolupar AutoML, un algorisme d’aprenentatge automàtic que és capaç de crear els seus propis IA per acabar reduint la dependència dels humans. Més recentment, van decidir llançar AutoML amb el seu repte més gran fins ara, és a dir, crear un "fill" que superés a tots els seus homòlegs creats per humans.
L’equip de Google Brain va utilitzar un enfocament anomenat aprenentatge de reforç per automatitzar el disseny de models d’aprenentatge automàtic. AutoML actua com una xarxa neuronal del controlador que pot crear una xarxa "secundària" per executar una tasca específica.
Per a aquesta IA infantil particular, que els investigadors van anomenar NASNet, la seva tasca era reconèixer objectes en un canal de vídeo en temps real, com ara persones, cotxes, semàfors, bosses de mà o motxilles. A continuació, el seu rendiment serà avaluat per la xarxa neuronal del controlador d'AutoML i, a continuació, tornarà a entrenar el nen donant els comentaris fins que millori el seu rendiment i aconsegueixi una versió superior de NASNet.
Després de passar sense parar pel procés d’improvisació, el NASNet va ser sotmès a proves en els conjunts de dades de classificació d’imatges ImageNet i detecció d’objectes COCO, tots dos coneguts com “els conjunts de dades acadèmics a gran escala més respectats en visió per computador”. I segons els resultats, NASNet va superar la resta de sistemes de visió per computador.
NASNet va ser capaç de predir el 82.7% de les imatges que es van mostrar al conjunt de validació d’ImageNet, que és un 1.2% superior als resultats publicats anteriorment, segons els investigadors. A més, el sistema va ser un 4 per cent més eficient, amb una mitjana de precisió mitjana (MAP) del 43.1 per cent. A més, una versió de NASNet menys computacional ha superat les plataformes mòbils en un 3.1%.
Els investigadors de Google també van reconèixer que la versió improvisada de NASNet es podria utilitzar per a moltes aplicacions de visió per computador. A més, tenen NASNet de codi obert per inferir en la classificació d’imatges i per a la detecció d’objectes als repositoris Slim i Object Detection TensorFlow.
“Esperem que l'aprenentatge automàtic sigui més gran comunitat podran basar-se en aquests models per abordar multitud de problemes de visió per ordinador que encara no hem imaginat ", van escriure els investigadors a la seva publicació al bloc.
Per molt útils que siguin NASNet i AutoML, no sabem si la societat pot mantenir-se al dia amb els sistemes que crea AutoML. Per mantenir les coses sota control, és molt important implementar regulacions estrictes i estàndards ètics millorats per evitar l'ús de la IA amb finalitats malicioses. I diversos governs i empreses se centren a crear implicacions morals i ètiques de la IA.
