Как программное обеспечение Google научилось само писать программное обеспечение

Издание Wired рассказывает, как Google научила свое программное обеспечение самостоятельно делать более совершенный вариант ПО. Зачем это делать? Во-первых, получается более совершенный вариант. Во-вторых, очень мало людей в мире способно делать это на высоком уровне.

«Автоматизация белых воротничков» – это выражение стало модным в дискуссиях о растущей мощности компьютеров, поскольку программное обеспечение сейчас демонстрирует все больший потенциал, перенимая некоторые задачи бухгалтеров и юристов. Исследователи искусственного интеллекта в компании Google именно этим и занимаются – они пытаются автоматизировать задачи высокооплачиваемых работников.

В рамках проекта под названием AutoML исследователи Google научили программное обеспечение для машинного обучения создавать себе подобное. В некоторых случаях то, что оно придумывало, было более мощным и полезным, чем результат работы лучших систем, разработанных исследователями самостоятельно. Google утверждает, что такая система недавно набрала рекордные 82% при категоризации изображений по их контенту. С более сложной задачей определения местоположения нескольких объектов в изображении, которая важна для дополненной реальности и автономных роботов, она справилась на 43%. В то время, как лучшая система созданная людьми – на 39%.

Такие результаты – очень значительны, потому что экспертного потенциала, необходимого для создания передовых систем ИИ, не хватает даже в Google. «На сегодняшний день их вручную изготавливают специалисты по вопросам машинного обучения, и, без преувеличения, всего несколько тысяч человек по всему миру могут это сделать», – рассказал на прошлой неделе генеральный директор Google Сундар Пичаи, кратко упомянув название AutoML на мероприятии посвященном запуску новых смартфонов и других гаджетов. «Мы хотим предоставить возможность сотни тысячам разработчиков сделать это».

AutoML пока остается исследовательским проектом. Ирония состоит в том, что на данный момент для его развития необходимы именно те редкие специальные знания в области ИИ, которые эта технология стремится автоматизировать. Но, к счастью, все большее количество исследователей вне Google также работают над этой технологией. Если ИИ, разработанный другим ИИ, станет практичным, машинное обучение сможет намного быстрее распространиться за пределы индустрии технологий, например, в сфере здравоохранения и финансов.

AutoML может усовершенствовать стратегию Пичаи «AI First», благодаря которой Google использует машинное обучение, чтобы работать более эффективно, и создает новые продукты. Исследователи из группы Google Brain или исследовательской лаборатории DeepMind в Лондоне, которая была создана в 2014 году, помогли сократить счета за электроэнергию в центрах данных компании и ускорили некоторые функции Google, например, отображать новые города на карте. AutoML может сделать результаты работы этих экспертов еще более продуктивными или же помочь менее квалифицированным инженерам самостоятельно создавать мощные системы ИИ.

Google насчитывает более 1300 человек на своем исследовательском веб-сайте, не все из которых специализируются на ИИ. А вот инженеров-программистов там намного больше. Согласно данным самой последней ежегодной финансовой отчетности, родительская компания Google Alphabet насчитывает 27 169 сотрудников, занимающихся исследованиями и разработками.

Google отказался предоставить кому-либо возможность обсуждать AutoML. Исследователи за пределами компании говорят, что идея автоматизации некоторых задач экспертов превратилась в популярную исследовательскую тему – и она очень важна и необходима, поскольку системы ИИ становятся более сложными.

Большая работа в так называемом мета-обучении или обучении обучать, в том числе в Google, направлена на ускорение процесса распространения искусственных нейронных сетей. Эта техника включает в себя подачу данных через сети математических операций, что в каком-то смысле было создано под влиянием исследований нейронов в головном мозге.

Это может показаться замысловатым, но часть получения нейронных сетей для выполнения полезных задач, таких как обработка аудио, сводится к хорошо оплачиваемой тяжелой работе. Эксперты должны использовать свою интуицию, пробовать и ошибаться, чтобы создать правильную архитектуру для нейронной сети. «Большая часть такой работы инженера – по сути, очень скучная – пытаться использовать несколько конфигураций, чтобы увидеть, какие из них работают лучше», – говорит Роберто Каландра, исследователь Калифорнийского университета в Беркли. По его словам, задача усложняется еще и потому, что исследователи строят большие сети для решения более сложных проблем.

Каландра начал исследовать мета-обучение после двух недель неудачных попыток заставить робота научиться ходить во время его PhD-студий в области философии в 2013 году. Он попробовал экспериментальную технику для автоматической настройки своего программного обеспечения, которая была основана на методе машинного обучения – менее сложном, чем нейронная сеть. Упорная машина ходила целый день.

Создание дизайна нейронной сети с нуля сложнее, чем корректировка настроек, которые уже существуют. Но недавние результаты исследований показывают, что первое начинает получаться, говорит Мехриар Мохри, профессор Нью-Йоркского университета.

Мохри работает над системой под названием AdaNet, в сотрудничестве с исследователями в Нью-Йоркском офисе Google. При предоставлении коллекции помеченных данных он строит нейронную сеть поэтапно, тестируя каждое дополнение к дизайну, чтобы обеспечить повышение его производительности. AdaNet показала, что способна генерировать нейронные сети, которые могут выполнять задачу, а также стандартную большую в два раза ручную сеть. Это многообещающе, говорит Мохри, потому что многие компании пытаются внедрить более мощное программное обеспечение ИИ на мобильные устройства с ограниченными ресурсами.

В процессе упрощения создания и задействования сложных систем ИИ могут возникнуть препятствия.

«Недавнее исследование показало, что очень легко ненамеренно создать системы с предвзятым взглядом на мир. Например, которая будет считать, что слово «мексиканский» – плохое, а женщину ассоциировать с домашними делами. »

Мохри утверждает, что сокращение трудоемкой ручной настройки, необходимой для использования нейронных сетей, могло бы облегчить обнаружение и предотвращение таких проблем. «Это сделает руки людей более свободными для решения других аспектов проблемы», – говорит он.

Если и когда Google запустит работу AutoML, который сможет стать практичным инструментом для программистов, ее последствия будут ощущаться далеко за пределами самой компании. На прошлой неделе Пичаи намекнул, что хочет сделать этот инструмент доступным вне Google. «Мы хотим демократизировать его», – сказал он, повторяя высокий стиль изречений, который используют для продвижения услуг ИИ.

Комментарии: