Artefarita inteligenteco kaj Maŝinlernado estas la du plej varmaj terminoj en multaj industrioj en la lastaj jaroj. La plej freŝa teknologia progreso en ĉi tiu domajno estas la disvolviĝo de IA, kiu siavice kreas IA pli bonan ol iu homa IA.
En januaro 2017 komenciĝis Google Brain disvolvi AI programaro, kiu povas krei pli da AI. Poste en majo ĉi-jare, la esploristoj disvolvis AutoML, maŝinlernan algoritmon, kiu kapablas krei siajn proprajn IAjn, eventuale reduktante la dependecon de homoj. Pli lastatempe, ili decidis ĵeti AutoML kun ĝia plej granda defio ĝis nun, te krei "infanon", kiu superis ĉiujn siajn homfaritajn kolegojn.
La teamo de Google Brain uzis aliron nomitan plifortiga lernado por aŭtomatigi la projektadon de maŝinlernaj modeloj. AutoML funkcias kiel regila neŭrala reto, kiu povas krei "infanan" reton por plenumi specifan taskon.
Por ĉi tiu aparta infana IA, kiun la esploristoj nomis NASNet, ĝi estis tasko rekoni objektojn en realtempa videofluo, kiel homoj, aŭtoj, trafiklumoj, mansakoj aŭ dorsosakoj. Tiam ĝia agado estos taksata de la regilo de AutoML-neŭrala reto kaj poste trejnos la infanon donante la reagojn ĝis ĝi plibonigos sian agadon kaj atingos superan version de NASNet.
Post trairi la improvizan procezon senfine, la NASNet estis provita provi pri la bildaro de ImageNet-klasifiko kaj COCO-objektodetekto - ambaŭ el ili konataj kiel "la plej respektataj grandskalaj akademiaj datumaroj en komputila vizio". Kaj laŭ la rezultoj, NASNet superis ĉiujn aliajn komputilajn vidajn sistemojn.
NASNet povis antaŭdiri 82.7% de la bildoj, kiujn ĝi montris sur la validiga aro de ImageNet, kiu estas 1.2% pli alta ol la antaŭe publikigitaj rezultoj, laŭ la esploristoj. Ankaŭ la sistemo estis 4 procente pli efika, kun averaĝa precizeco (MAP) de 43.1 procentoj. Aldone malpli komputile postulema versio de NASNet superis poŝtelefonajn platformojn je 3.1%.
La esploristoj de Google ankaŭ agnoskis, ke la improvizita versio de NASNet povus esti uzata por multaj komputilaj vidaj aplikoj. Ankaŭ ili havas malfermfontan NASNet por konkludi pri bildoklasifiko kaj por detekto de objektoj en la deponejoj Slim kaj Object Detection TensorFlow.
“Ni esperas, ke la pli granda maŝinlernado komunumo povos konstrui ĉi tiujn modelojn por trakti amason da komputilaj vidaj problemoj, kiujn ni ankoraŭ ne imagis, "la esploristoj skribis en sia blogaĵo.
Kiom ajn utilas NASNet kaj AutoML, ni ne scias, ĉu la socio povas resti laŭ la sistemoj kreitaj de AutoML. Por teni aferon sub kontrolo, tre gravas efektivigi striktajn regularojn kaj plibonigitajn etikajn normojn por malebligi la uzon de IA por malicaj celoj. Kaj diversaj registaroj kaj kompanioj fokusas krei moralajn kaj etikajn implicojn de AI.
