Los errores en Inteligencia Artificial que normalmente tomarían una cantidad considerable de tiempo en resolverse podrían corregirse inmediatamente con la ayuda de una nueva investigación de la Universidad de Leicester.
Investigadores del Departamento de Matemáticas de la Universidad de Leicester han publicado un artículo en la revista red neuronal describe esquemas matemáticos para nuevos algoritmos que podrían permitir que la Inteligencia Artificial recopile informes de errores y los corrija inmediatamente sin afectar las habilidades existentes, al mismo tiempo que acumula correcciones que podrían usarse para futuras versiones o actualizaciones.
Esto podría proporcionar esencialmente a los robots la capacidad de corregir errores instantáneamente, efectivamente 'aprender' de sus errores sin dañar el conocimiento ya adquirido y, en última instancia, difundir nuevos conocimientos entre ellos.
Junto con los socios industriales de ARM, los algoritmos se combinan en un sistema, un corrector de IA, capaz de mejorar el rendimiento de las IA heredadas sobre la marcha el informe técnico está disponible en línea. *
ARM es el proveedor de IP de semiconductores más grande del mundo y es la arquitectura elegida por más del 90% de los productos electrónicos inteligentes que se diseñan actualmente.
El profesor Alexander Gorban del Departamento de Matemáticas de la Universidad de Leicester dijo: "Varias versiones de los sistemas de análisis de Big Data de Inteligencia Artificial se han implementado hasta la fecha en millones de computadoras y dispositivos en varias plataformas. Están funcionando en redes no uniformes e interactúan.
"Gigantes tecnológicos industriales como Amazon, IBM, Google, Facebook, SoftBank, ARM y muchos otros están involucrados en el desarrollo de estos sistemas. Su rendimiento aumenta, pero a veces cometen errores como falsas alarmas, errores de detección o predicciones erróneasLos errores son inevitables debido a la incertidumbre inherente de Big Data.
"Parece muy natural que los humanos puedan aprender de sus errores de inmediato y no repetirlos al menos, lo mejor de nosotros. Es un gran problema cómo equipar la Inteligencia Artificial con esta habilidad.
"Es difícil corregir un gran sistema de inteligencia artificial sobre la marcha, más difícil que hervir a un caballo al galope sin detenerse.
"Hemos descubierto recientemente que es posible una solución a este problema. En este trabajo, demostramos que en grandes dimensiones e incluso para muestras exponencialmente grandes, los clasificadores lineales en su forma clásica de Fisher son lo suficientemente potentes como para separar los errores de las respuestas correctas conalta probabilidad y para proporcionar una solución eficiente al problema del corrector no destructivo "
Existe una necesidad desesperada de un procedimiento de corrección barato, rápido y local que no dañe las habilidades importantes de los sistemas de IA en el curso de la corrección.
Los métodos iterativos de aprendizaje automático nunca son baratos para Big Data y grandes sistemas de IA y, por lo tanto, los investigadores sugieren que el corrector no debe ser iterativo con los correctores reversibles necesarios para reconfigurar y fusionar correcciones locales.
El Dr. Ivan Tyukin del Departamento de Matemáticas de la Universidad de Leicester dijo: "A menudo no es factible volver a entrenar los sistemas por varias razones: son enormes y la reentrenamiento requiere importantes recursos computacionales o mucho tiempo o ambos; puedeser imposible volver a entrenar el sistema localmente, en el punto donde se produce el error; y podemos arreglar una cosa pero romper otra que lleva a que las habilidades importantes puedan desaparecer.
"El desarrollo de sistemas inteligentes grandes sostenibles para la minería de Big Data requiere la creación de tecnología y métodos para correcciones rápidas no destructivas, no iterativas y reversibles. Hasta ahora no existía tal tecnología"
Los investigadores han descubierto y probado teoremas de separación estocástica que proporcionan herramientas para la corrección de los grandes sistemas inteligentes de análisis de datos.
Con este enfoque, el aprendizaje instantáneo en Inteligencia Artificial podría ser posible, proporcionando a la IA la capacidad de volver a aprender después de un error después de que se haya producido un error.
La investigación ha sido parcialmente apoyada por Innovate UK a través de subvenciones de Knowledge Transfer Partnership: KTP009890 entre ARM / Apical Ltd y la Universidad de Leicester y KTP010522 entre Visual Management Systems Limited y la Universidad de Leicester.
El esquema de la Asociación de Transferencia de Conocimiento KTP ayuda a las empresas a innovar y crecer. Lo hace al vincularlas con una universidad y un graduado para trabajar en un proyecto específico.
El Dr. Ilya Romanenko, Director de I + D, Visión por Computadora, Imagen y Grupo de Visión de ARM dijo: "Tener un sistema como este es indispensable en la implementación a gran escala de servicios de IA para clientes y usuarios finales. Uso de AI específico para cada cliente.los dispositivos habilitados dan lugar a errores específicos del cliente, que el usuario final percibe como una situación no aceptable. El reentrenamiento de la IA central para tratar estos errores es técnicamente desafiante y potencialmente riesgoso. La IA recién entrenada, enseñada para evitar errores específicos puede exhibircomportamiento inesperado en otra situación. En este escenario, la escala de un problema crece exponencialmente a medida que aumenta el tamaño de la implementación de IA, lo que lo hace prácticamente imposible.
"La nueva tecnología permite eliminar estos obstáculos por completo, haciendo que los dispositivos habilitados para IA colaboren en el proceso de eliminación de errores. Esta nueva calidad permite que las grandes implementaciones habilitadas para IA se vuelvan más inteligentes a medida que crece su tamaño. En la práctica, significa que los dispositivos alimentados por IA sin erroreshecho realidad. Recientemente presentamos una solicitud de patente para asegurar nuestra prioridad en esta área ".
Fuente de la historia :
Materiales proporcionados por Universidad de Leicester . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :