Навчання штучного інтелекту людьми дає кращі результати, ніж його самостійне самонавчання

Новий алгоритм, на відміну від інших алгоритмів штучного інтелекту,які самостійно навчаються, навчається за інструкціями і на прикладах, що надаються йому людьми

За рахунок цього він виграє в точності своєї роботи на 160 відсотків у порівнянні з іншими алгоритмами, більш того, точність роботи навченого людьми алгоритму на 90 відсотків вище, ніж точність роботи цього ж самого алгоритму, що пройшов через процедуру самостійного навчання.

“Гей, Siri (Cortana)! Як тобі подобається моя зачіска?”. Ваш смартфон або комп’ютер в недалекому майбутньому буде в змозі дати вам більш точну і правдиву відповідь на це питання завдяки використанню нового алгоритму, розробленого дослідниками Пархем Аарабі (Parham Aarabi) і Венжі Гуо (Wenzhi Guo) з університету Торонто.

Пархем Аарабі і Венжі Гуо знайшли вельми незвичайну область застосування для своєї системи штучного інтелекту. Вони змусили її займатися розпізнаванням, визначенням і класифікацією людських зачісок. Це завдання є досить складною для комп’ютерів на відміну від людей, здатних оцінити зачіску людини, кинувши на неї швидкоплинний погляд.

“Наш алгоритм вчиться правильно класифікувати найскладніші структури з волосся на голові людини. Для цього йому потрібно не тільки розпізнати де і як укладені волосся, але і відокремити це все від навколишнього фону” – розповідає Аарабі, – “Процес можна порівняти з початковим навчанням дитини учителем. А після цього дитина може продовжувати вчитися сам, спираючись на набутий спочатку досвід і знання “.

У звичайних випадках навчання нейронних мереж проводиться таким чином – люди готують великі набори вихідних даних, фотографій, наприклад, на деяких з яких вручну відзначені відмінні риси. В процесі обробки і аналізу цих фотографій шляхом зіставлення образів нейронна мережа стає здатна самостійно впізнати ті особливості, які були вказані людьми на першому етапі.

Новий алгоритм вчиться трохи інакше, в цьому процесі завжди бере участь людина-вчитель. Така модель називається методом евристичного навчання і цей метод дає більш швидкі і більш якісні результати. Адже людина може більш точно і відразу сформулювати деякі тези до яких самонавчається дійде лише на заключному етапі процесу. Наприклад, “Колір неба на фотографіях може складатися з різних відтінків синього” або “Пікселі в верхній частині знімка з більшою ймовірністю мають відношення до неба, ніж пікселі в його нижній частині”.

Метод евристичного навчання є найбільш підходящим методом для вирішення однієї з головних проблем нейронних мереж – для створення класифікаторів набору раніше невідомих і неструктурованих даних. Готові набори таких класифікаторів, створені при навчанні нейронних мереж людьми-вчителями, зможуть забезпечити правильну поведінку машин, які можуть потрапити в нові і несподівані ситуації. А такими машинами можуть бути медичні системи, що виробляють аналіз тканин та ідентифікацію ознак різних захворювань, самоврядні автомобілі-роботи, промислові роботи і багато іншого.