Microsoft vs google - que lidera a corrida inteligência artificial?

AI está de volta.

Pela primeira vez desde a década de 1980, pesquisadores de inteligência artificial estão fazendo progresso tangível sobre problemas difíceis, e as pessoas estão começando a falar seriamente sobre AI forte novamente. Nesse meio tempo, o nosso mundo orientado por dados cada vez foi expulso uma corrida armamentista entre as empresas que procuram rentabilizar a nova inteligência, particularmente no espaço móvel.

Os dois titãs levando a embalagem são Google e Microsoft. A primeira batalha? Um novo domínio em inteligência artificial chamado “Deep Learning.”

Então, quem está ganhando?

O Cérebro Google

esforços de pesquisa do Google têm sido em torno de um projeto chamado ‘Google Cérebro.` Google Cérebro é o produto de laboratório do Google famoso / secret ‘Google X` pesquisa, que é responsável por projetos de lua-de tiro com baixas chances de sucesso, mas com potencial muito elevado. Outros produtos da Google X incluem o Projeto Loon, a iniciativa Internet balão, eo projeto de carro auto-condução Google.Aqui é como nós vamos chegar a um mundo cheio de sem condutor CarrosAqui é como nós vamos chegar a um mundo cheio de sem condutor CarrosDirigir é uma tarefa tediosa, perigoso e exigente. Poderia um dia ser automatizada pela tecnologia carro sem motorista do Google?consulte Mais informação

Google Cérebro é uma iniciativa de aprendizagem de máquina enorme que é direcionado principalmente para processamento de imagem, mas com ambições muito maiores. O projeto foi iniciado por Stanford Professor Andrew Ng, um especialista em aprendizado de máquina que desde deixou o projeto para trabalhar para Baidu, o maior motor de busca da China.

Google tem uma longa história de envolvimento com a pesquisa AI. Matthew Zeiler, o CEO de uma partida visuais máquina, e um estagiário que trabalhava no cérebro Google coloca-lo assim:

“Google não é realmente uma empresa de pesquisa. É uma empresa de aprendizado de máquina [..] Tudo na empresa é realmente impulsionada pelo aprendizado de máquina “.

Video: A Assustadora Conversa Entre um Homem e uma Inteligência Artificial | PoligoPocket

O objetivo do projeto é encontrar maneiras de melhorar os algoritmos de aprendizagem profundas para construir redes neurais que podem encontrar padrões mais profundos e mais significativos em dados usando menos poder de processamento. Para este fim, o Google tem sido agressivamente comprando talento na aprendizagem profunda, fazendo aquisições, que incluem a compra de inicialização AI DeepMind $ 500 milhões.

DeepMind estava preocupado o suficiente sobre as aplicações da sua tecnologia que eles forçado Google para criar uma ética bordo projetado para impedir que o seu software de destruir o mundo. DeepMind ainda tinha de lançar seu primeiro produto, mas a empresa fez empregar uma fração significativa de todos os peritos de aprendizagem profundas do mundo. Até à data, a única demonstração pública de sua tecnologia tem sido um brinquedo AI que é muito, muito bom em Atari.É aqui porque os cientistas pensam que você deve estar preocupado com a Inteligência ArtificialÉ aqui porque os cientistas pensam que você deve estar preocupado com a Inteligência ArtificialVocê acha que a inteligência artificial é perigoso? O AI pode representar um risco grave para a raça humana. Estas são algumas razões pelas quais você pode querer estar preocupado.consulte Mais informação

Como o aprendizado profundo é um campo relativamente novo, ele não teve tempo para produzir uma grande geração de especialistas. Como resultado, há um número muito pequeno de pessoas com experiência na área, e isso significa que é possível ganhar vantagem significativa no campo com a contratação de todos os envolvidos.

Google Cérebro tem sido aplicada, até agora, a função de reconhecimento de voz do Android e catalogar automaticamente as imagens StreetView, identificando características importantes como endereços. Um teste inicial foi o famoso experimento do gato, em que uma rede de aprendizagem profunda Google automaticamente aprenderam a identificar gatos em vídeos do Youtube com uma maior taxa de precisão do que o estado anterior da arte. Em seu artigo sobre o assunto, o Google colocá-lo como este:

“Ao contrário do que parece ser uma intuição muito generalizada, os nossos resultados experimentais revelam que é possível treinar um detector de rosto sem ter que rotular as imagens como contendo um rosto ou não [...] A rede é sensível a de alto nível conceitos tais como rostos de gato e corpos humanos. Começando com estas características aprendidas, nós treinamos para obter 15,8 por cento de precisão no reconhecimento de 20.000 categorias de objeto, um salto de 70 por cento melhoria relativa sobre o anterior [redes] state-of-the-art “.

Eventualmente, o Google gostaria seus algoritmos de aprendizagem profunda para fazer ... bem, praticamente tudo, na verdade. plataformas AI poderosas como da IBM Watson contar com esses tipos de baixo nível algoritmos de aprendizado de máquina e melhorias nesta frente tornar o campo geral da AI que muito mais poderoso.

Uma versão futura do Google Now, desenvolvido pelo Google Cérebro poderia identificar tanto fala e imagens, e fornecer insights inteligentes sobre esses dados para ajudar os usuários a tomar decisões mais inteligentes. Google cérebro pode melhorar tudo, desde os resultados de pesquisa para o Google Translate.

networkintelligence

Microsoft Adam

A abordagem da Microsoft à guerra aprendizagem profunda tem sido um pouco diferente. Ao invés de tentar comprar profunda aprendizagem especialistas para refinar seus algoritmos, a Microsoft tem vindo a apostar na melhoria da execução, e encontrar melhores formas de paralelizar os algoritmos usados ​​para trem algoritmos de aprendizagem de profundidade.

Este projeto é chamado de “Microsoft Adam.” Suas técnicas reduzir computação redundante, duplicando a qualidade dos resultados ao usar menos processadores para obtê-los. Isto levou a realizações técnicas impressionantes, incluindo uma rede que pode reconhecer raças individuais de cães a partir de fotografias com alta precisão.

Microsoft descreve o projeto como este:

Video: GOOGLE contra a INTELIGÊNCIA ARTIFICIAL

O objetivo do Projeto Adam é permitir que o software para reconhecer visualmente qualquer objeto. É uma tarefa difícil, dada a rede neural imensa em cérebros humanos que faz com que esses tipos de associações possíveis através de trilhões de conexões. [...] Usando 30 vezes menos máquinas que outros sistemas, [dados de imagem internet] foi usado para treinar uma rede neural feita -se de mais de dois bilhões de conexões. Esta infra-estrutura escalável é duas vezes mais preciso em seu reconhecimento de objetos e 50 vezes mais rápido que outros sistemas.

Video: Inteligência Artificial Vira Nazista Sexual - Robô quer Destruir Humanidade | 5 Vídeos Absurdos

A aplicação óbvia para esta tecnologia está em Cortana, novo assistente virtual da Microsoft, inspirado pelo personagem AI em Halo. Cortana, com o objetivo de competir com Siri, pode fazer uma série de coisas inteligentes, utilizando técnicas de reconhecimento de voz sofisticadas.Como Cortana Tornou-A "Other Woman" Na minha vidaComo Cortana Tornou-A "Other Woman" Na minha vidaEla apareceu um dia e mudou minha vida. Ela sabe exatamente o que eu preciso e tem um senso de humor. É de admirar que eu caí para os encantos de Cortana.consulte Mais informação

O objetivo do projeto é a construção de um assistente com interação mais natural, e pode executar uma ampla gama de tarefas úteis para o usuário, algo que a aprendizagem profunda iria ajudar com enormemente.

melhorias da Microsoft para a extremidade traseira da aprendizagem profunda são impressionantes, e levaram a aplicações não era possível anteriormente.

Qual a profundidade aprender trabalha

A fim de compreender a questão um pouco melhor, vamos dar um minuto para entender esta nova tecnologia. aprendizagem profunda é uma técnica para a construção de software inteligente, muitas vezes aplicado a redes neurais. Ele constrói redes grandes, úteis por camadas de redes neurais simples juntos, cada padrões encontrar na saída de seu antecessor. Para entender por que isso é útil, é importante olhar para o que veio antes aprendizagem profunda.

Backpropagating Redes Neurais

A estrutura subjacente de uma rede neural é realmente muito simples. Cada ‘neurônio` é um pequeno nó que leva uma entrada, e usa regras internas para decidir quando‘fogo’(produzir saída). As entradas de alimentação em cada neurónio tem “pesos” - difusores que controlam se o sinal é positivo ou negativo e quão forte.

Ao ligar esses neurônios juntos, você pode construir uma rede que emula qualquer algoritmo. Você alimentar o seu contributo para os neurônios de entrada como valores binários, e medir o valor de disparo dos neurônios de saída para obter o resultado. Como tal, o truque para redes neurais de qualquer tipo é tomar uma rede e encontrar o conjunto de pesos que melhor aproxima a função que você está interessado.



Backpropagation, o algoritmo usado para treinar a rede com base em dados, é muito simples: você começa sua rede fora com pesos aleatórios, e depois tentar classificar os dados com as respostas conhecidas. Quando a rede está errado, você verificar por isso que é errado (produzindo uma saída menor ou maior do que a meta), e usar essa informação para empurrar os pesos em uma direção mais útil.

Ao fazer isso uma e outra vez, para muitos pontos de dados, a rede aprende a classificar todos os seus pontos de dados corretamente, e, esperançosamente, a generalizar novos pontos de dados. A chave da compreensão do algoritmo backpropagation é que você pode mover dados de erro para trás através da rede, mudando cada camada com base nas alterações feitas na última camada, permitindo-lhe construir redes de várias camadas profundas, que podem entender os padrões mais complicados.

Retropropagação foi inventado em 1974 por Geoffrey Hinton, e teve o efeito notável de tornar as redes neurais úteis para amplas aplicações para a primeira vez na história. redes neurais triviais que já existiam desde a década de 50, e foram originalmente implementado com neurônios mecânicos, accionados por motor.

Video: ROBOS CONVERSANDO EM LIVE É APAVORANTE, TA MALUCO, ISSO VAI DAR MERDA

Outra maneira de pensar sobre o algoritmo Retropropagação é como um explorador em uma paisagem de soluções possíveis. Cada peso neurônio é outra direção em que ele pode explorar, e para a maioria das redes neurais, existem milhares destes. A rede pode usar a sua informação de erro para ver qual direção ele precisa para entrar e quão longe, a fim de reduzir o erro.

Ela começa em um ponto aleatório, e através da consulta continuamente a sua bússola erros, movimentos ‘Downhill` na direção de menos erros, se estabelecendo na parte inferior do vale mais próximo: a melhor solução possível.

bússola

Então por que não usamos backpropagation para tudo? Bem, Retropropagação tem vários problemas.

O problema mais grave é chamado de ‘desaparecendo problema gradiente."Basicamente, como você se move dados de erro de volta através da rede, torna-se menos significativa, cada vez que você voltar uma camada. Tentando construir redes neurais muito profundos com backpropagation não funcionar, porque as informações de erro não será capaz de penetrar profundamente o suficiente na rede para treinar os níveis mais baixos de uma forma útil.

Um segundo problema, menos grave é que as redes neurais convergem apenas para ótimos locais: muitas vezes são apanhados em um pequeno vale e perder mais profundas soluções, melhores que não estão perto de seu ponto de partida aleatório. Então, como é que vamos resolver esses problemas?

Redes profunda crença

redes de crenças profundas são uma solução para ambos os problemas, e eles contam com a idéia de construir redes que já têm conhecimento sobre a estrutura do problema e, em seguida, refinando essas redes com backpropagation. Esta é uma forma de aprendizado profundo, e um em uso comum por ambos Google e Microsoft.

A técnica é simples, e é baseado em um tipo de rede chamado de “Restricted Boltzman Machine” ou “RBM”, que conta com o que é conhecido como aprendizado não supervisionado.

Restricted Boltzman Machines, em poucas palavras, são redes que simplesmente tentar comprimir os dados que está dado, em vez de tentar classificá-lo explicitamente de acordo com informações de treinamento. Mecanismos de argolas tomar uma coleção de pontos de dados, e são treinados de acordo com a sua capacidade de reproduzir esses pontos de dados a partir da memória.

Ao fazer a RBM menor do que a soma de todos os dados que você está pedindo-lhe para codificar, você forçar a RBM para aprender regularidades estruturais sobre os dados, a fim de armazenar tudo isso em menos espaço. Esse aprendizado de estrutura profunda permite que a rede de generalizar: Se você treinar um RBM para reproduzir mil imagens de gatos, então você pode alimentar uma nova imagem para ele - e olhando como energético da rede torna-se um resultado, você pode descobrir se ou não a nova imagem continha um gato.

As regras de aprendizagem para mecanismos de argolas assemelhar-se a função dos neurônios reais dentro do cérebro de maneiras importantes que outros algoritmos (como backpropagation) não. Como resultado, eles podem ter coisas a ensinar pesquisadores sobre como a mente humana funciona.Thinking Machines: O que Neurociências e Artificial Intelligence pode nos ensinar sobre ConsciênciaThinking Machines: O que Neurociências e Artificial Intelligence pode nos ensinar sobre ConsciênciaPode construir máquinas artificialmente inteligentes e software nos ensinar sobre o funcionamento da consciência e da natureza da própria mente humana?consulte Mais informação

Outra característica interessante de MAE é que eles são “construtivas”, o que significa que eles podem também pode ser executado em sentido inverso, trabalhando para trás a partir de um recurso de alto nível para criar entradas imaginários que contenham essa funcionalidade. Este processo é chamado de “sonhar”.

Então, por isso é útil para a aprendizagem profunda? Bem, Boltzman Machines têm grave escamação problemas - quanto mais fundo você tentar fazê-los, o que leva mais tempo para treinar a rede.

A chave da compreensão das redes de profunda crença é que você pode empilhar de duas camadas RBM da juntos, cada treinados para encontrar estrutura na saída de seu antecessor. Isto é rápido, e leva a uma rede que pode compreender complicadas características, resumo dos dados.

Em uma tarefa de reconhecimento de imagem, a primeira camada pode aprender a ver as linhas e cantos, e a segunda camada pode aprender a ver as combinações dessas linhas que compõem características como olhos e nariz. A terceira camada pode combinar esses recursos e aprender a reconhecer um rosto. Ao transformar esta rede através de back-propagação, você pode aprimorar em apenas aquelas características que se relacionam com as categorias que você está interessado.

Em muitas maneiras, esta é uma solução simples para backpropagation: ele permite que Retropropagação “enganar”, iniciando-a com um monte de informações sobre o problema que está tentando resolver. Isso ajuda a rede de alcançar melhores mínimos, e garante que os níveis mais baixos da rede são treinados e fazendo algo útil. É isso aí.

Por outro lado, métodos de aprendizagem profundas produziram melhorias dramáticas na velocidade de aprendizado de máquina e precisão, e são quase o único responsável para a rápida melhoria do discurso para software de texto nos últimos anos.

Corrida para Canny Computadores

Você pode ver porque tudo isso é útil. Quanto mais fundo você pode construir redes, as maiores e mais abstratas os conceitos que a rede pode aprender.

Quer saber se deve ou não um e-mail é spam? Para os spammers inteligentes, isso é difícil. Você tem que realmente ler o e-mail, e entender um pouco da intenção por trás dele - tentar ver se há uma relação entre o emissor eo receptor, e deduzir as intenções do receptor. Você tem que fazer tudo isso baseado em cordas incolores de cartas, a maioria dos quais estão descrevendo conceitos e eventos que o computador não sabe nada sobre.

Isso é um monte de pedir a ninguém.

Se lhe pedissem para aprender a identificar spam em um idioma que já não falar, desde apenas alguns exemplos positivos e negativos, você faria muito mal - e você tem um cérebro humano. Para um computador, o problema tem sido quase impossível, até muito recentemente. Esses são os tipos de insights que a aprendizagem profunda pode ter, e que vai ser incrivelmente poderosa.

Agora, a Microsoft de vencer esta corrida por um fio de cabelo. A longo prazo? É uma incógnita.


Artigos relacionados