Искусственный интеллект и машинное обучение — два самых популярных термина в последних годах во многих отраслях. Последним технологическим достижением в этой области является разработка ИИ, который, в свою очередь, создает искусственный интеллект, превосходящий любой созданный человеком ИИ.
В январе 2017 года Google Brain начала разработку программного обеспечения для искусственного интеллекта, способного создавать всё больше и больше ИИ. Позже, в мае этого года, исследователи разработали AutoML — алгоритм машинного обучения, способный создавать собственные ИИ, что в конечном итоге снизит зависимость от людей. Совсем недавно они решили поставить перед AutoML самую сложную задачу на сегодняшний день: создать «потомка», которая превзойдёт все созданные человеком аналоги.
Команда Google Brain использовала подход, называемый обучением с подкреплением, для автоматизации проектирования моделей машинного обучения. AutoML действует как нейронная сеть контроллера, которая может создать «дочернюю» сеть для выполнения определенной задачи.
Для этого детского ИИ, который исследователи назвали NASNet, его задача заключалась в распознавании объектов в видеопотоке в реальном времени, таких как люди, автомобили, светофоры, сумки или рюкзаки. Затем его производительность будет оцениваться нейронной сетью контроллера AutoML, а затем повторно обучать ребенка, давая обратную связь, пока он не повысит свою производительность и не перейдет к более совершенной версии NASNet.
После бесконечного прохождения процесса импровизации, NASNet затем подвергся тестированию на наборах данных классификации изображений ImageNet и обнаружении объектов COCO, которые известны как «наиболее уважаемые крупномасштабные академические наборы данных в области компьютерного зрения». По результатам NASNet превзошла все другие системы компьютерного зрения.
По словам исследователей, NASNet смогла предсказать 82.7% изображений, которые были показаны на проверочном наборе ImageNet, что на 1.2% выше, чем ранее опубликованные результаты. Кроме того, система была на 4 процента более эффективной при средней средней точности (mAP) 43.1 процента. Кроме того, менее требовательная к вычислениям версия NASNet превзошла мобильные платформы на 3.1%.
Исследователи Google также признали, что импровизированная версия NASNet может использоваться для многих приложений компьютерного зрения. Кроме того, у них есть NASNet с открытым исходным кодом для вывода о классификации изображений и для обнаружения объектов в репозиториях Slim и Object Detection TensorFlow.
«Мы надеемся, что более широкое сообщество специалистов по машинному обучению сможет использовать эти модели для решения множества задач компьютерного зрения, которые мы еще не представляли», — написали исследователи в своем блоге.
Какими бы полезными ни были NASNet и AutoML, мы не знаем, сможет ли общество не отставать от систем, создаваемых AutoML. Чтобы держать ситуацию под контролем, очень важно соблюдать строгие правила и повышенные этические стандарты, чтобы предотвратить использование ИИ в злонамеренных целях. И различные правительства и компании сосредоточены на создании моральных и этических последствий ИИ.
