當(dāng)AI由AI制作時 結(jié)果令人印象深刻

研究人工智能系統(tǒng)的研究人員正在制作新聞并使公眾熟悉強(qiáng)化學(xué)習(xí)和機(jī)器學(xué)習(xí)等術(shù)語。最近的頭條新聞仍令人驚訝。AI軟件正在“學(xué)習(xí)”如何復(fù)制自己并建立自己的AI孩子。

因此，Google的AI使用強(qiáng)化學(xué)習(xí)創(chuàng)建了其子AI ，完全自動化。

認(rèn)識'NASNet'。谷歌研究人員將其稱為一種新穎的架構(gòu)。

Alphr的 Vaughn Highfield 指出，這個孩子AI能夠執(zhí)行特定的任務(wù) - 圖像識別。兒童AI的任務(wù)是實時識別視頻中的對象。

未來主義隨著發(fā)生的事情而擴(kuò)大。“AutoML充當(dāng)控制器神經(jīng)網(wǎng)絡(luò)，為特定任務(wù)開發(fā)兒童AI網(wǎng)絡(luò)。對于這個特殊的兒童AI，研究人員稱之為NASNet，任務(wù)是識別物體 - 人，汽車，交通信號燈，手提包，背包等。 - 在實時視頻中。“

Google Brain今年早些時候推出了AutoML項目。Dom Galeon和Kristin Hopuser寫道，“AutoML將評估NASNet的性能并利用這些信息來改善其兒童AI，重復(fù)這一過程數(shù)千次。”

這是怎么回事：Highfield稱這個過程是“無休止的調(diào)整”。未來主義的 Karla Lant 評論說：“大部分的元學(xué)習(xí)都是模仿人類神經(jīng)網(wǎng)絡(luò)，并試圖通過這些網(wǎng)絡(luò)提供越來越多的數(shù)據(jù)。這不是使用舊的鋸齒科學(xué)。相反，它是很多插件和一旦他們受過訓(xùn)練，機(jī)器實際上非常適合做突擊工作。“

我們的NASNet架構(gòu)由兩種類型的層組成：普通層(左)和縮減層(右)。這兩個層由AutoML設(shè)計。信用：谷歌

(好的一面是“如果人類工程師花費更少的時間來完成創(chuàng)建系統(tǒng)所涉及的繁重工作，他們將有更多的時間投入到監(jiān)督和改進(jìn)中。”)

結(jié)果：在博客作者稱之為“計算機(jī)視覺中最受尊敬的兩個大型學(xué)術(shù)數(shù)據(jù)集”的測試中，NASNet的表現(xiàn)優(yōu)于所有其他系統(tǒng)。

在預(yù)測ImageNet驗證集上的圖像時，NASNet的準(zhǔn)確率為82.7%。

Barret Zoph，Vijay Vasudevan，Jonathon Shlens和Quoc Le撰寫了關(guān)于該團(tuán)隊成就的文章，標(biāo)題為“用于大規(guī)模圖像分類和物體檢測的 AutoML ”。他們報告說，“在ImageNet圖像分類方面，NASNet在驗證集上實現(xiàn)了82.7%的預(yù)測準(zhǔn)確度，超過了我們之前構(gòu)建的所有先前模型。”

阿爾弗的十字頭問道，這是人類結(jié)束的開始嗎?人們可以原諒高劇情，因為作者Highfield對Google的工作進(jìn)行了深入研究。“顯然，以目前的形式，NASNet不會成為人類的垮臺。但是，這是我們未來如何建立更好的人工智能系統(tǒng)的關(guān)鍵。”

Alphr的 Highfield 說：“通過自學(xué)AI和人工智能可以調(diào)節(jié)和改變其他AI，我們可以創(chuàng)建更好的自動駕駛汽車或自動化工廠的人工智能。”

博客作者表示，他們擁有開源的NASNet，用于推斷圖像分類和Slim和Object Detection TensorFlow存儲庫中的對象檢測。“我們希望更大的機(jī)器學(xué)習(xí)社區(qū)能夠以這些模型為基礎(chǔ)，解決我們尚未想象的大量計算機(jī)視覺問題。”