| +11 голос |
|
«Более эффективные модели машинного и глубокого обучения означают, что ИИ может учиться быстрее, они потенциально меньше, легче и проще в развёртывании», — сказал Илья Сухолуцкий, кандидат наук Университета Ватерлоо (Канада).
Разработанная при его активном участии техника «обучения менее, чем на одном примере» позволяет модели ИИ точно идентифицировать больше объектов, чем было использовано для её обучения. Такая модель действует подобно человеку, который впервые встретив единорога, распознал бы его как отдельный класс, родственный, но не эквивалентный известным классам лошади и носорога.
«Эти улучшения откроют возможность использовать глубокое обучение в условиях, когда раньше это сделать не удавалось из-за высоких затрат или невозможности собрать больше данных», — пишет он, указывая, что новая технология оптимальна для тренировки моделей машинного обучения, начавших появляться в телефонах и устройствах Интернета Вещей (IoT).
При разработке нового метода Сухолуцкий и его научный руководитель, профессор Маттиас Шонлау (Matthias Schonlau) опирались на результаты их прежнего исследования, в котором удалось обучить нейронную сеть нечётко распознавать рукописные цифры от 0 до 9 всего на пяти тренировочных примерах.
В этот раз учёные использовали простейший алгоритм классификации, «k-ближайших соседей » (k-NN), поскольку это делало анализ более контролируемым. Они показали, что модели машинного обучения могут научиться различать объекты, даже если для определенных классов недостаточно данных. Теоретически «обучение меньше, чем на одном примере» можно использовать с любым алгоритмом и любой задачей классификации.
«Поразительно, что модель может выучить больше классов, чем у вас есть примеров, и всё это благодаря нечётким (вероятностным) ярлыкам (soft label). Теперь, когда мы показали, что это осуществимо, можно начинать думать о практическом применении», — сказал Шенлау.
Ready, set, buy! Посібник для початківців - як придбати Copilot для Microsoft 365
| +11 голос |
|
