Articles

Cosa sono i Robot hanno Bisogno per avere Successo: Macchina di Apprendimento per Insegnare in modo Efficace


La Metà del ventesimo secolo, il sociologo David Reisman è stato forse il primo a meraviglia con il disagio che la gente farebbe di tutto il loro tempo libero una volta la crescente automazione di macchina del 1960 liberato l’uomo dalle loro umili faccende domestiche e di decisione. La sua prospera, se ansiosa, visione del futuro solo la metà è venuto a passare però, come le complessità della vita ampliato per riempire continuamente i giorni sia dell’uomo e della macchina. Il lavoro alleviato da macchine laboriose, come i sistemi di robotica, nei decenni successivi ha liberato solo gli esseri umani per creare nuovi compiti sempre più elaborati su cui lavorare. Piuttosto che darci più tempo libero, le macchine ci hanno dato più tempo per lavorare.

Machine Learning
Oggi, i principali assistenti artificiali che aiutano gli esseri umani con il loro lavoro hanno sempre più probabilità di assumere la forma di una catena di montaggio di arti robotici o dei maggiordomi robotici ideati per la prima volta durante l’era della corsa allo spazio. Tre quarti di secolo dopo, sono le menti robotiche, e non necessariamente i corpi, che sono richiesti in quasi tutti i settori di attività. Ma gli esseri umani possono solo insegnare l’intelligenza artificiale così tanto – o almeno a così grande scala. Entra nell’apprendimento automatico, il campo di studio in cui vengono insegnati algoritmi e macchine fisiche utilizzando enormi cache di dati. L’apprendimento automatico ha molte discipline diverse, con l’apprendimento profondo che è un sottoinsieme importante di quello.

Oggi il Deep Learning sta finalmente vivendo la sua svolta stellare, guidato dal potenziale esplosivo degli algoritmi di reti neurali profonde e dai progressi hardware.

Deep Learning ‘Arriva’
Deep Learning utilizza strati di rete neurale per imparare modelli da set di dati. Il campo è stato concepito per la prima volta 20-30 anni fa, ma non ha raggiunto la popolarità a causa delle limitazioni della potenza computazionale all’epoca. Oggi il Deep Learning sta finalmente vivendo il suo turno di stelle, guidato dal potenziale esplosivo degli algoritmi di reti neurali profonde e dai progressi hardware. L’apprendimento profondo richiede enormi quantità di potenza computazionale, ma alla fine può essere molto potente se si ha una capacità computazionale sufficiente e i set di dati richiesti.

Allora, chi insegna le macchine? Chi decide cosa deve sapere AI? In primo luogo, ingegneri e scienziati decidono come l’IA impara. Gli esperti di dominio consigliano quindi su come i robot devono funzionare e operare nell’ambito dell’attività che viene affrontata, sia che assistano esperti di logistica di magazzino, consulenti di sicurezza, ecc.

Pianificazione e apprendimento
Quando si tratta di AI ricevere questi input, è importante fare la distinzione tra pianificazione e apprendimento. La pianificazione comporta scenari in cui tutte le variabili sono già note e il robot deve solo capire a quale ritmo deve spostare ogni giunto per completare un’attività come afferrare un oggetto. L’apprendimento, d’altra parte, comporta un ambiente dinamico più non strutturato in cui il robot deve anticipare innumerevoli input diversi e reagire di conseguenza.

L’apprendimento può avvenire tramite dimostrazioni (allenando fisicamente i loro movimenti attraverso la pratica guidata), simulazioni (ambienti artificiali 3D), o anche alimentando video o dati di una persona o di un altro robot che esegue il compito che spera di padroneggiare per se stesso. Quest’ultimo è una forma di dati di allenamento, un insieme di set di dati etichettati o annotati che un algoritmo AI può utilizzare per riconoscere e imparare da. I dati di formazione sono sempre più necessari per i complessi comportamenti di apprendimento automatico di oggi. Affinché gli algoritmi ML rilevino i modelli nei dati, i team ML devono alimentarli con una grande quantità di dati.

Accuratezza e abbondanza
L’accuratezza e l’abbondanza dei dati sono fondamentali. Una dieta di dati imprecisi o corrotti si tradurrà in l’algoritmo non essere in grado di imparare correttamente, o trarre le conclusioni sbagliate. Se il tuo set di dati è focalizzato su Chihuahua e inserisci un’immagine di un muffin ai mirtilli, otterrai comunque un Chihuahua. Questo è noto come mancanza di una corretta distribuzione dei dati.

Dati di allenamento insufficienti si tradurranno in una curva di apprendimento che potrebbe non raggiungere mai il pieno potenziale di come è stato progettato per eseguire. Dati sufficienti per comprendere la maggior parte degli scenari immaginati e dei casi limite è fondamentale per un vero apprendimento.

Duro lavoro
L’apprendimento automatico è attualmente distribuito in una vasta gamma di settori e tipi di applicazioni, comprese quelle che coinvolgono i sistemi di robotica. Ad esempio, i veicoli senza pilota stanno attualmente assistendo il settore delle costruzioni, distribuiti in cantieri vivi. Le imprese di costruzioni utilizzano piattaforme di formazione dei dati come Superb AI per creare e gestire set di dati in grado di insegnare ai modelli ML di evitare gli esseri umani e gli animali, e di impegnarsi in assemblaggio e costruzione.

Nel settore medico, laboratori di ricerca presso rinomate università internazionali distribuiscono dati di formazione per aiutare i modelli di visione artificiale a riconoscere i tumori all’interno di risonanza magnetica e TAC. Questi possono eventualmente essere utilizzati non solo per diagnosticare e prevenire le malattie con precisione, ma anche addestrare robot medici per la chirurgia e altre procedure salvavita. Anche il miglior medico del mondo ha una brutta notte di sonno a volte, che può offuscare la messa a fuoco il giorno successivo. Ma un assistente robotico adeguatamente addestrato per la caccia ai tumori può eseguire l’efficienza massima ogni giorno.

Vivere fino al potenziale
Quindi cosa c’è in gioco qui? C’è una straordinaria opportunità per i dati di formazione, apprendimento automatico, e l’intelligenza artificiale per aiutare i robot a vivere fino al potenziale che Reisman immaginato tutti quei decenni fa. Le aziende tecnologiche che impiegano complesse iniziative di apprendimento automatico hanno la responsabilità di educare e creare fiducia all’interno del pubblico in generale, in modo che questi progressi possano essere consentiti per aiutare veramente l’umanità a salire di livello. Se il mondo può implementare un’IA ben addestrata, costruita e mirata, unita alla robotica avanzata, allora potremmo benissimo vivere per vedere un po ‘ di quel tempo libero di cui Reisman era così nervoso. Penso che la maggior parte delle persone oggi sarebbe d’accordo sul fatto che potremmo certamente usarlo.

Hyun Kim, Co-fondatore e CEO, Superb AI

Hyunsoo (Hyun) Kim è il co-fondatore e CEO di Superb AI, ed è in missione per democratizzare i dati e l’intelligenza artificiale. Con un background in Deep Learning e robotica durante i suoi studi di dottorato presso la Duke University e la carriera come ingegnere di apprendimento automatico, Kim ha visto la necessità di un modo più efficiente per le aziende di gestire i dati di formazione di apprendimento automatico. La superba intelligenza artificiale consente alle aziende di creare e gestire le enormi quantità di dati di cui hanno bisogno per addestrare algoritmi di apprendimento automatico e ridurre l’ostacolo per le industrie di adottare la tecnologia. Kim è stato anche selezionato come premiato per la categoria Enterprise Technology di Forbes 30 Under 30 Asia 2020, e Superb AI è riuscito l’anno scorso ad unirsi a Y Combinator, un importante acceleratore di startup della Silicon Valley.