Articles

milyen robotoknak kell a sikerhez: Gépi tanulás a hatékony oktatáshoz


a huszadik század közepének szociológusa, David Reisman volt talán az első, aki nyugtalansággal gondolkodott azon, hogy az emberek mit kezdenének minden szabadidejükkel, ha az 1960-as évek behatoló gépi automatizálása felszabadítja az embereket alantas házimunkájuk és döntéshozataluk alól. Virágzó, ha szorongó jövőképe azonban csak a fele valósult meg, mivel az élet bonyolultsága kibővült, hogy folyamatosan kitöltse mind az ember, mind a gép napjait. A szorgalmas gépek által enyhített munka, mint például a robotikai rendszerek, a következő évtizedekben csak az embereket szabadította fel arra, hogy egyre bonyolultabb új feladatokat hozzanak létre, amelyeken dolgozni kell. Ahelyett, hogy több szabad időt adnának nekünk, a gépek több időt adtak a munkára.

Gépi tanulás
manapság az elsődleges ember alkotta asszisztensek, akik segítik az embereket a munkájukban, egyre valószínűbb, hogy robot végtagokból álló futószalag formájában vagy az űrverseny korában először megálmodott robot komornyikok formájában jelentkeznek. Háromnegyed évszázaddal később a robot elmék, és nem feltétlenül a testek, amelyek szinte minden üzleti szektorban keresettek. De az emberek csak annyira képesek tanítani a mesterséges intelligenciát-vagy legalábbis olyan nagy mértékben. Írja be a gépi tanulást, azt a tanulmányi területet, amelyben az algoritmusokat és a fizikai gépeket hatalmas gyorsítótárak segítségével tanítják. A gépi tanulásnak sokféle tudományága van, a mély tanulás ennek egyik fő részhalmaza.

ma a Deep Learning végre megtapasztalja csillagfordulatát, amelyet a mély neurális hálózati algoritmusok és a hardverek fejlődésének robbanásszerű potenciálja hajt.

a Deep Learning ‘megérkezik’
a Deep Learning neurális hálózati rétegeket használ az adatkészletek mintáinak megtanulására. A mezőt először 20-30 évvel ezelőtt hozták létre, de az akkori számítási teljesítmény korlátai miatt nem érte el népszerűségét. Ma a Deep Learning végre megtapasztalja a csillagfordulatát, amelyet a mély neurális hálózati algoritmusok és a hardveres fejlesztések robbanásveszélyes potenciálja hajt. A mély tanulás óriási számítási teljesítményt igényel, de végső soron nagyon erős lehet, ha elegendő számítási kapacitással és a szükséges adatkészletekkel rendelkezik.

tehát ki tanítja a gépeket? Ki dönti el, mit kell tudnia az AI-nek? Először a mérnökök és a tudósok döntenek arról, hogy az AI hogyan tanul. A tartományi szakértők ezután tanácsot adnak arról, hogy a robotoknak hogyan kell működniük és működniük a megoldandó feladat keretein belül, legyen szó raktárlogisztikai szakértők, biztonsági tanácsadók stb.

tervezés és tanulás
amikor az AI megkapja ezeket a bemeneteket, fontos különbséget tenni a tervezés és a tanulás között. A tervezés olyan forgatókönyveket foglal magában, amelyekben az összes változó már ismert, és a robotnak csak ki kell dolgoznia, hogy milyen ütemben kell mozgatnia az egyes ízületeket egy olyan feladat elvégzéséhez, mint például egy tárgy megragadása. Másrészt a tanulás strukturálatlanabb dinamikus környezetet foglal magában, amelyben a robotnak számtalan különböző bemenetet kell előre látnia, és ennek megfelelően reagálnia kell.

a tanulás történhet demonstrációkkal (mozgásuk fizikai edzésével irányított gyakorlaton keresztül), szimulációkkal (3D mesterséges környezetek), vagy akár videókkal vagy adatokkal táplálva egy személyt vagy egy másik robotot, aki elvégzi azt a feladatot, amelyet remél magának. Ezek közül az utóbbi a képzési adatok egy formája, címkézett vagy jegyzetekkel ellátott adatkészletek halmaza, amelyet egy AI algoritmus felhasználhat a felismeréshez és tanuláshoz. A képzési adatokra egyre inkább szükség van a mai összetett gépi tanulási viselkedéshez. Ahhoz, hogy az ML algoritmusok mintákat vegyenek fel az adatokban, az ML csapatoknak nagy mennyiségű adattal kell táplálniuk.

pontosság és bőség
az adatok pontossága és bősége kritikus fontosságú. A pontatlan vagy sérült adatok étrendje azt eredményezi, hogy az algoritmus nem képes helyesen tanulni, vagy rossz következtetéseket von le. Ha az adathalmaz a Chihuahuákra összpontosít, és egy áfonyás muffin képét adja meg, akkor még mindig kap egy Chihuahua-t. Ezt nevezik a megfelelő adatelosztás hiányának.

az elégtelen képzési adatok olyan tanulási görbét eredményeznek, amely soha nem éri el a teljesítés teljes potenciálját. Elegendő adat ahhoz, hogy felölelje az elképzelt forgatókönyvek többségét és az edge eseteket egyaránt, kritikus fontosságú a valódi tanulás megvalósításához.

Hard at Work
a gépi tanulást jelenleg számos iparágban és alkalmazástípusban alkalmazzák, beleértve a robotikai rendszereket is. Például a pilóta nélküli járművek jelenleg segítik az építőipart, élő munkahelyeken telepítve. Az építőipari vállalatok olyan adatképzési platformokat használnak, mint a Superb AI, hogy olyan adatkészleteket hozzanak létre és kezeljenek, amelyek megtaníthatják az ML modelleket az emberek és állatok elkerülésére, valamint az összeszerelésre és az építésre.

az orvosi szektorban a neves nemzetközi egyetemek kutatólaboratóriumai képzési adatokat alkalmaznak, hogy segítsék a számítógépes látásmodelleket a tumorok felismerésében az MRI-ben és a CT-ben. Ezek végül nemcsak a betegségek pontos diagnosztizálására és megelőzésére használhatók, hanem orvosi robotok képzésére is a műtétekhez és más életmentő eljárásokhoz. Még a világ legjobb orvosának is néha rossz éjszakai alvása van, ami másnap tompíthatja a fókuszt. De egy megfelelően képzett robot daganatvadász asszisztens minden nap képes csúcshatékonyságot elérni.

élni a potenciállal
tehát mi forog itt kockán? Óriási lehetőség van az adatok képzésére, a gépi tanulásra és a mesterséges intelligenciára, hogy segítsék a robotokat abban, hogy éljenek azzal a potenciállal, amelyet Reisman évtizedekkel ezelőtt elképzelt. A komplex gépi tanulási kezdeményezéseket alkalmazó technológiai vállalatok felelőssége, hogy oktassák és bizalmat teremtsenek a nagyközönségben, hogy ezek az előrelépések valóban segítsék az emberiséget. Ha a világ jól képzett, épített és célzott AI-t tud telepíteni, fejlett robotikával párosítva, akkor nagyon jól megélhetjük azt a szabadidőt, amely miatt Reisman annyira ideges volt. Azt hiszem, a legtöbb ember ma egyetértene abban, hogy biztosan tudnánk használni.

Hyun Kim, a Superb AI társalapítója és vezérigazgatója

Hyunsoo (Hyun) Kim a Superb AI társalapítója és vezérigazgatója, és küldetése az adatok és a mesterséges intelligencia demokratizálása. A Duke Egyetemen folytatott PhD tanulmányai és gépi tanulási mérnök karrierje során mély tanulási és robotikai háttérrel Kim látta, hogy a vállalatoknak hatékonyabb módon kell kezelniük a gépi tanulási képzési adatokat. A kiváló AI lehetővé teszi a vállalatok számára, hogy hatalmas mennyiségű adatot hozzanak létre és kezeljenek a gépi tanulási algoritmusok képzéséhez, és csökkentsék az iparágaknak a technológia átvételéhez szükséges akadályokat. Kimet a Forbes 30 Under 30 Asia 2020 Vállalati Technológiai kategóriájának kiemelt kitüntetettjévé is választották, a Superb AI pedig tavaly sikerült csatlakoznia az Y Combinator-hoz, A Szilícium-völgy kiemelkedő indítási gyorsítójához.