נראה כי הגיע תחילתו של עידן בו מערכות בינה מלאכותית (AI) יכולות לבנות מערכות אחרות של בינה מלאכותית. לאחרונה, ענקית הטכנולוגיה של הבינה המלאכותית (AI) של גוגל בנתה ילד משלה של AI (בינה מלאכותית).
הגיע היום בו מכונות מייצרות מכונות אחרות. ליתר דיוק, זו תחילתו של עידן בו מערכות בינה מלאכותית יכולות לבנות מערכות אחרות של בינה מלאכותית. התקדמות שהפכה את פרויקט AutoML של ענקית הטכנולוגיה של גוגל למציאות על ידי תכנון מערכת ראיית מחשב העולה בהרבה על הדגמים החדישים ביותר.
זה היה במאי אותה השנה, כאשר חוקרי המוח של ענקית הטכנולוגיה גוגל הכריזו על הקמתה של יוזמה זו, אלגוריתם למידה אוטומטי שלומד לבנות למידת מכונה אחרת אלגוריתמים. הכוונה הייתה לראות למה בינה מלאכותית מסוגלת ליצור יצירת מלאכותית אחרת מודיעין ללא התערבות אנושית, במטרה הסופית להשיג פריסה גדולה יותר של אלה טכנולוגיות.
ישנם מעט בני אדם המסוגלים לפתח אותם, הם נחשקים מאוד ופרויקטים דומים יעזרו להביא בינה מלאכותית לתחומים וחברות רבות אחרות, הרבה יותר מהר. אחרת, איטיות יותר תביא לסיכון גדול עבור ה- AI עצמו, על פי מומחים כמו דייב היינר, היועץ של ענקית הטכנולוגיה של מיקרוסופט. חלק מההצלחה שלה מרמז שהיישום הוא רחב.
מנכ"ל ענקית הטכנולוגיה של גוגל, סונדר פיצ'אי, התפאר באוטו-מ"ל במהלך הצגתם של פיקסל 2 ופיקסל 2 XL והיום יכול היה שוב להתפאר ולהראות מה השיג יוזמה מבטיחה זו.
על ידי אוטומציה של תכנון מודלים של למידת מכונה באמצעות גישה הנקראת למידת חיזוק, כפי שהם מסבירים ב עתידנותהחוקרים גרמו לבינה מלאכותית זו לשמש כרשת עצבית של בקרים, אשר בתורם, יוצרת רשת נוספת של בינה מינורית מלאכותית. עם זאת, יצירה, הנקראת NASNet, שעברה את כל מקביליה שנבנו על ידי בני האדם.
תפקידו לזהות אובייקטים בסרטונים המשודרים בזמן אמת. עליו לזהות אנשים, מכוניות, תיקים, תרמילים ואלמנטים אחרים הנמצאים בתמונות. AutoML מעריכה את הביצועים ובאמצעות נתונים אלה היא משכללת באופן עצמאי את הבינה המלאכותית הזו על ידי חזרה על התהליך אלפי פעמים. משימה יקרה, שבדרך כלל נעשית על ידי בני אדם, אך חיונית.
חוקרי ענק הטכנולוגיה של גוגל השוו את התוצאות של מזהי NASNet עם "שניים מערכי הנתונים האקדמיים הגדולים בקנה מידה גדול בראיית המחשב", סיווג התמונות של ImageNet ומערכת נתוני זיהוי האובייקטים COCO, וגילו, הם גילו, שעברו את כל שאר מערכות הראייה הממוחשבות שנעשו על ידי אֲנָשִׁים.
באופן ספציפי, זה היה מדויק ב -82.7% בחיזוי מערך האימות של ImageNet, מה שאומר שהוא נמצא מעל 1.2% מכל התוצאה שפורסמה בעבר. באותו אופן, המערכת גם יעילה ב -4% עם דיוק ממוצע של 43.1%. בנוסף, גרסה פחות תובענית מבחינת משאבי חישוב חרגה ב -3.1% מהדגמים הטובים ביותר בגודל דומה המיועדים לפלטפורמות סלולריות.
כפי שאמרנו בהתחלה, חלק מההצלחה של הבינה המלאכותית תימצא ביישומה הרחב והמהיר. האזורים היומיומיים יותר מצאו פתרונות באמצעות טכנולוגיות אלה ויותר חברות יכולות לעשות שימוש מהם או ליצור אותם ללא יותר מדי קושי, ככל שההתקדמות גדולה יותר והגדולה יותר יתרונות. מצב שיעודד עוד יותר את המחקר, יגדיל את ההתקדמות ואת היתרונות הללו.
לכן, בינה מלאכותית כמו AutoML תוכל לפתוח את הדלת כדי שכל ההתקדמות תגיע בדרך מהירה יותר. זה יאפשר לחברות ללא צוות וידע מתאים להיות בטכנולוגיה שתקדם את עסקיהן. אם כי אם לא תיעשה שום פעולה, אוטומציה יכולה להיות שבין 400 ל -800 מיליון עובדים יישארו ללא עבודתם עד שנת 2030.
אז מה אתה חושב על זה? פשוט שתף את דעותיך ומחשבותיך בקטע ההערות למטה.