Articles

Hva Roboter Trenger For Å Lykkes: Maskinlæring For Å Undervise Effektivt


Sosiologen David Reisman fra Midten av det tjuende århundre var kanskje den første til å undre seg med uro hva folk ville gjøre med all sin fritid når den inngripende maskinautomatiseringen av 1960-tallet frigjorde mennesker fra deres menialarbeid og beslutningstaking. Hans fremgangsrike, om enn engstelige, fremtidsvisjon skjedde imidlertid bare halvparten, da livets kompleksitet utvidet seg til å kontinuerlig fylle dagene til både menneske og maskin. Arbeid lindret av industrielle maskiner, som robotikk systemer, i de påfølgende tiårene bare frigjort mennesker til å skape stadig mer forseggjort nye oppgaver som skal arbeides over. I stedet for å gi oss mer fritid, ga maskinene oss mer tid til å jobbe.

Maskinlæring
I Dag er de primære menneskeskapte assistentene som hjelper mennesker med sitt arbeid, avtagende sannsynlig å ta form av et samlebånd av robot lemmer eller robotbutlers først drømte opp i løpet Av romkappløpet. Tre fjerdedeler av et århundre senere, er det robot sinn, og ikke nødvendigvis organer, som er etterspurt i nesten alle sektorer av virksomheten. Men mennesker kan bare lære kunstig intelligens så mye – eller i det minste i så stor skala. Skriv Inn Maskinlæring, fagområdet der algoritmer og fysiske maskiner blir undervist ved hjelp av enorme cacher av data. Maskinlæring har mange forskjellige disipliner, Med Dyp Læring som en stor delmengde av det.

I Dag Opplever Deep Learning endelig sin stjernesving, drevet av det eksplosive potensialet I Dype Nevrale Nettverksalgoritmer og maskinvareforbedringer.

Deep Learning ‘Kommer’
Deep Learning bruker nevrale nettverkslag for å lære mønstre fra datasett. Feltet ble først oppfattet for 20-30 år siden, men oppnådde ikke popularitet på grunn av begrensningene i beregningskraft på den tiden. I Dag Opplever Deep Learning endelig sin stjernesving, drevet av det eksplosive potensialet I Dype Nevrale Nettverksalgoritmer og maskinvareutvikling. Dyp Læring krever enorme mengder beregningskraft, men kan til slutt være veldig kraftig hvis man har nok beregningskapasitet og de nødvendige datasettene.

Så hvem lærer maskinene? Hvem bestemmer HVA AI trenger å vite? Først bestemmer ingeniører og forskere hvordan AI lærer. Domeneeksperter gir deretter råd om hvordan roboter må fungere og operere innenfor omfanget av oppgaven som blir adressert, være det å bistå lagerlogistikkeksperter, sikkerhetskonsulenter, etc.

Planlegging Og Læring
NÅR DET GJELDER AI som mottar disse inngangene, er det viktig å skille Mellom Planlegging og Læring. Planlegging innebærer scenarier der alle variablene allerede er kjent, og roboten må bare trene i hvilket tempo den må flytte hver ledd for å fullføre en oppgave som å ta tak i et objekt. Læring på den annen side innebærer et mer ustrukturert dynamisk miljø der roboten må forutse utallige forskjellige innganger og reagere tilsvarende.

Læring kan skje Via Demonstrasjoner (fysisk trening av deres bevegelser gjennom guidet praksis), Simuleringer (3d kunstige miljøer), eller til og med ved å bli matet videoer eller data av en person eller en annen robot som utfører oppgaven den håper å mestre for seg selv. Sistnevnte Av Disse Er En Form For Treningsdata, et sett med merkede eller annoterte datasett som EN AI-algoritme kan bruke til å gjenkjenne og lære av. Treningsdata er stadig mer nødvendig for dagens komplekse Maskinlæringsadferd. FOR ML algoritmer for å plukke opp mønstre i data, ML lagene må mate den med en stor mengde data.

Nøyaktighet Og Overflod
Nøyaktighet og overflod av data er kritisk. En diett av unøyaktige eller ødelagte data vil resultere i at algoritmen ikke kan lære riktig, eller trekke feil konklusjoner. Hvis datasettet ditt er fokusert På Chihuahuas, og du legger inn et bilde av en blåbærmuffin, vil du fortsatt få En Chihuahua. Dette er kjent som mangel på riktig datadistribusjon.

Utilstrekkelige treningsdata vil resultere i en oppstyltet læringskurve som kanskje aldri når det fulle potensialet for hvordan det ble designet for å utføre. Nok data til å omfatte de fleste forestillede scenarier og kantsaker er avgjørende for at sann læring skal finne sted.

Hardt Arbeid
Maskinlæring blir for tiden distribuert på tvers av en rekke bransjer og typer applikasjoner, inkludert de som involverer robottekniske systemer. For eksempel hjelper ubemannede kjøretøy for tiden byggebransjen, distribuert på tvers av levende arbeidsplasser. Byggefirmaer bruker dataopplæringsplattformer som Superb AI til å opprette OG administrere datasett som kan lære ML-modeller å unngå mennesker og dyr, og å engasjere seg i montering og bygging.

i den medisinske sektoren distribuerer forskningslaboratorier ved anerkjente internasjonale universiteter treningsdata for å hjelpe datasynsmodeller til å gjenkjenne svulster innen Mr – Og CT-Skanninger. Disse kan til slutt brukes til å ikke bare nøyaktig diagnostisere og forebygge sykdommer, men også trene medisinske roboter for kirurgi og andre livreddende prosedyrer. Selv den beste legen i verden har en dårlig natts søvn noen ganger, noe som kan kjedelig fokusere neste dag. Men en riktig trent robot tumor-jakt assistent kan på utføre topp effektivitet hver dag.

Lever Opp Til Potensialet
Så hva står på spill her? Det er en enorm mulighet for treningsdata, Maskinlæring og Kunstig Intelligens for å hjelpe roboter til å leve opp til potensialet Som Reisman forestilte seg for alle de tiårene siden. Teknologibedrifter som bruker komplekse Maskinlæringstiltak, har et ansvar for å utdanne og skape tillit i allmennheten, slik at disse fremskrittene kan få lov til å virkelig hjelpe menneskeheten til å nivåere seg. Hvis verden kan distribuere godt trent, bygget OG hensikt AI, kombinert med avansert robotteknologi, så kan vi godt leve for å se noe av den fritiden Som Reisman var så nervøs for. Jeg tror de fleste i dag vil være enige om at vi sikkert kunne bruke den.

Hyun Kim, Medstifter og ADMINISTRERENDE DIREKTØR, Superb AI

Hyunsoo (Hyun) Kim Er medstifter Og ADMINISTRERENDE DIREKTØR I Superb AI, og er på oppdrag for å demokratisere data og kunstig intelligens. Med Bakgrunn I Dyp Læring og Robotikk under Hans Doktorgradsstudier ved Duke University og karriere som Maskinlæringsingeniør, Så Kim behovet for en mer effektiv måte for bedrifter å håndtere maskinlæringsopplæringsdata. Superb AI gjør det mulig for bedrifter å skape og administrere de enorme datamengdene de trenger for å trene maskinlæringsalgoritmer, og redusere hindringen for bransjer å ta i bruk teknologien. Kim har også blitt valgt som utvalgt honoree For Enterprise Technology-kategorien Forbes 30 Under 30 Asia 2020, og Suveren AI klarte i fjor å bli Med I Y Combinator, en fremtredende Silicon Valley oppstart akselerator.