(Andrew Onufriyenko/Moment/Getty Images) Ein Großteil der Arbeit von künstliche Intelligenz beinhaltet einen Trainingsprozess, der als bekannt ist maschinelles Lernen Dabei wird die KI bei Aufgaben wie dem Erkennen einer Katze oder dem Zuordnen einer Route umso besser, je häufiger sie diese Aufgabe übernimmt. Jetzt wird dieselbe Technik verwendet, um neue KI-Systeme zu erstellen, ohne dass ein menschliches Eingreifen erforderlich ist.
Seit Jahren arbeiten Ingenieure bei Google an einem unglaublich smarten Gerät maschinelles Lernen System bekannt als AutoML-System (oder automatisches maschinelles Lernsystem), das bereits in der Lage ist, KI zu erstellen übertrifft alles, was wir gemacht haben .
Jetzt haben Forscher es optimiert, um Konzepte der darwinistischen Evolution einzubeziehen, und gezeigt, dass es KI-Programme erstellen kann, die sich schneller weiterentwickeln, als wenn Menschen die Codierung übernehmen würden.
Das neue System heißt AutoML-Zero und obwohl es vielleicht ein wenig alarmierend klingt, könnte es zur schnellen Entwicklung intelligenterer Systeme führen – zum Beispiel neuronaler Netzwerke, die das menschliche Gehirn mit mehreren Schichten und Gewichtungen genauer nachahmen sollen, also etwas Menschliches Programmierer haben damit zu kämpfen.
„Heutzutage ist es möglich, vollständige Algorithmen für maschinelles Lernen automatisch zu entdecken, indem man einfach grundlegende mathematische Operationen als Bausteine verwendet“, schreiben die Forscher ihr Vordruckpapier . „Wir demonstrieren dies durch die Einführung eines neuartigen Frameworks, das die menschliche Voreingenommenheit durch einen generischen Suchraum deutlich reduziert.“
Das ursprüngliche AutoML-System soll es Apps einfacher machen, maschinelles Lernen zu nutzen, und enthält selbst bereits zahlreiche automatisierte Funktionen, aber AutoML-Zero reduziert den erforderlichen Umfang an menschlichem Input erheblich.
Mit einem einfachen dreistufigen Prozess – Einrichten, Vorhersagen und Lernen – kann man sich das als maschinelles Lernen von Grund auf vorstellen.
Das System beginnt mit einer Auswahl von 100 Algorithmen, die durch zufällige Kombination einfacher mathematischer Operationen erstellt werden. Ein ausgefeilter Trial-and-Error-Prozess identifiziert dann die besten Leistungsträger, die – mit einigen Optimierungen – für eine weitere Testrunde beibehalten werden. Mit anderen Worten: Das neuronale Netzwerk verändert sich im Laufe der Zeit.
Wenn neuer Code erstellt wird, wird er anhand von KI-Aufgaben getestet – etwa dem Erkennen des Unterschieds zwischen einem Bild eines Lastwagens und einem Bild eines Hundes – und die Algorithmen mit der besten Leistung werden dann für zukünftige Iterationen aufbewahrt. Wie das Überleben des Stärksten.
Und es geht auch schnell: Die Forscher gehen davon aus, dass bis zu 10.000 mögliche Algorithmen pro Sekunde und Prozessor durchsucht werden können (je mehr Computerprozessoren für die Aufgabe zur Verfügung stehen, desto schneller kann sie ausgeführt werden).
Letztendlich dürfte dies dazu führen, dass Systeme der künstlichen Intelligenz häufiger eingesetzt werden und für Programmierer ohne KI-Kenntnisse leichter zugänglich sind. Es könnte uns sogar bei der Ausrottung helfen menschliche Voreingenommenheit von der KI, weil der Mensch kaum beteiligt ist.
Die Arbeit an der Verbesserung von AutoML-Zero geht weiter, mit der Hoffnung, dass es irgendwann in der Lage sein wird, Algorithmen auszuspucken, an die bloße menschliche Programmierer nie gedacht hätten. Derzeit ist es nur in der Lage, einfache KI-Systeme zu produzieren, aber die Forscher gehen davon aus, dass die Komplexität ziemlich schnell gesteigert werden kann.
„Während die meisten Menschen kleine Schritte machten, machten [die Forscher] einen riesigen Sprung ins Unbekannte“, sagte der Informatiker Risto Miikkulainen von der University of Texas in Austin, der nicht an der Arbeit beteiligt war, gegenüber Edd Gent Wissenschaft . „Dies ist eines dieser Papiere, das viele zukünftige Forschungsarbeiten anstoßen könnte.“
Die Forschungsarbeit muss noch in einer Fachzeitschrift mit Peer-Review veröffentlicht werden, kann aber online unter eingesehen werden arXiv.org .