Maskinundervisning:Hvordan folks ekspertise gør AI endnu mere kraftfuld

De fleste mennesker ville ikke tænke på at lære fem-årige at slå en baseball ved at give dem et bat og en bold. fortæller dem at kaste objekterne op i luften i en zillion forskellige kombinationer og håbe, at de finder ud af, hvordan de to ting hænger sammen.

Og stadigvæk, det er på nogle måder, vi nærmer os maskinlæring i dag - ved at vise maskiner en masse data og forvente, at de lærer associationer eller finder mønstre på egen hånd.

For mange af de mest almindelige anvendelser af AI-teknologier i dag, f.eks. enkel tekst- eller billedgenkendelse, dette fungerer ekstremt godt.

Men efterhånden som ønsket om at bruge kunstig intelligens til flere scenarier er vokset, Microsofts forskere og produktudviklere har været banebrydende i en komplementær tilgang kaldet maskinlæring. Dette afhænger af folks ekspertise til at dele et problem op i lettere opgaver og give maskinlæringsmodeller vigtige spor om, hvordan man hurtigere finder en løsning. Det er som at lære et barn at slå et hjem ved først at lægge bolden på tee, derefter kaste en underhand pitch og til sidst gå videre til fastballs.

"Dette føles meget naturligt og intuitivt, når vi taler om det menneskeligt, men når vi går over til maskinlæring, alles tankegang, om de er klar over det eller ej, er 'lad os bare kaste fastballs på systemet, " sagde Mark Hammond, Microsoft general manager for Business AI. "Maskinundervisning er et sæt værktøjer, der hjælper dig med at stoppe med at gøre det."

Maskinundervisning søger at få viden fra mennesker frem for at udtrække viden fra data alene. En person, der forstår opgaven - om man skal beslutte, hvilken afdeling i en virksomhed der skal modtage en indgående e -mail, eller hvordan man automatisk placerer vindmøller for at generere mere energi - ville først nedbryde dette problem i mindre dele. Så ville de give et begrænset antal eksempler, eller hvad der svarer til lektionsplaner, for at hjælpe maskinlæringsalgoritmerne med at løse det.

I overvågede læringsscenarier, maskinundervisning er især nyttig, når der findes få eller ingen mærkede træningsdata for maskinlæringsalgoritmerne, fordi en branche eller virksomheds behov er så specifikke.

I vanskelige og tvetydige forstærkningsindlæringsscenarier - hvor algoritmer har problemer med at finde ud af, hvilken af ​​millioner af mulige handlinger det skal tage for at mestre opgaver i den fysiske verden - kan maskinlæring dramatisk afkorte den tid, det tager en intelligent agent at finde løsningen.

Det er også en del af et større mål at gøre det muligt for et bredere skår af mennesker at bruge AI på mere sofistikerede måder. Maskinundervisning tillader udviklere eller fageksperter med ringe AI-ekspertise, såsom advokater, revisorer, ingeniører, sygeplejersker eller gaffeltruckførere, at formidle vigtige abstrakte begreber til et intelligent system, som så udfører maskinlæringsmekanikken i baggrunden.

Microsofts forskere begyndte at undersøge maskinlæringsprincipper for næsten et årti siden, og disse begreber arbejder nu ind i produkter, der hjælper virksomheder med at bygge alt fra intelligente kundeservicebots til autonome systemer.

"Selv den smarteste AI vil kæmpe af sig selv for at lære at udføre nogle af de dybt komplekse opgaver, der er almindelige i den virkelige verden. Så du har brug for en tilgang som denne, med mennesker, der guider AI -systemer til at lære de ting, som vi allerede ved, "sagde Gurdeep Pall, Microsofts koncerndirektør for Business AI. "At tage denne nøglefærdige AI og lade ikke-eksperter bruge den til at udføre meget mere komplekse opgaver er virkelig det søde sted for maskinundervisning."

I dag, hvis vi forsøger at lære en machine learning -algoritme at lære, hvad en tabel er, vi kunne let finde et datasæt med billeder af tabeller, stole og lamper, der er omhyggeligt mærket. Efter at have udsat algoritmen for utallige mærkede eksempler, den lærer at genkende et bords egenskaber.

Men hvis du skulle lære en person at genkende et bord, du vil sandsynligvis starte med at forklare, at den har fire ben og en flad top. Hvis du så personen også sætte stole i den kategori, du vil yderligere forklare, at en stol har en ryg og et bord ikke har. Disse abstraktioner og feedback loops er nøglen til, hvordan folk lærer, og de kan også øge traditionelle metoder til maskinlæring.

"Hvis du kan lære noget til en anden person, du burde være i stand til at lære det til en maskine ved hjælp af sprog, der er meget tæt på, hvordan mennesker lærer, sagde Patrice Simard, Microsofts fremtrædende ingeniør, der var banebrydende for virksomhedens maskinundervisningsarbejde for Microsoft Research. Denne måned, hans team flytter til gruppen Oplevelser og enheder for at fortsætte dette arbejde og yderligere integrere maskinundervisning med samtale -AI -tilbud.

Millioner af potentielle AI -brugere

Simard begyndte først at tænke på et nyt paradigme for at bygge AI-systemer, da han bemærkede, at næsten alle artikler på maskinlæringskonferencer fokuserede på at forbedre ydeevnen af ​​algoritmer på omhyggeligt kurerede benchmarks. Men i den virkelige verden, han indså, undervisning er en lige så vel eller uden tvivl vigtigere komponent i læring, især til simple opgaver, hvor begrænset data er tilgængelig.

Hvis du ville lære et AI -system at vælge den bedste bil, men kun havde et par eksempler, der blev mærket "god" og "dårlig", "Det kan udlede af disse begrænsede oplysninger, at et kendetegn ved en god bil er, at det fjerde nummer på nummerpladen er et" 2. "Men peger AI -systemet på de samme egenskaber, som du ville fortælle din teenager at overveje - gas kilometertal, sikkerhedsvurderinger, crash test resultater, pris - gør algoritmerne i stand til at genkende gode og dårlige biler korrekt, på trods af den begrænsede tilgængelighed af mærkede eksempler.

I overvågede læringsscenarier, maskinundervisning forbedrer modeller ved at identificere disse meningsfulde funktioner på højt niveau. Som i programmering, kunsten med maskinundervisning involverer også nedbrydning af opgaver til enklere opgaver. Hvis de nødvendige funktioner ikke findes, de kan oprettes ved hjælp af undermodeller, der bruger funktioner på lavere niveau, og som er enkle nok til at lære af nogle få eksempler. Hvis systemet konsekvent laver den samme fejl, fejl kan elimineres ved at tilføje funktioner eller eksempler.

Et af de første Microsoft-produkter, der anvender maskinundervisningskoncepter, er sprogforståelse, et værktøj i Azure Cognitive Services, der identificerer hensigt og nøglebegreber fra kort tekst. Det er blevet brugt af virksomheder lige fra UPS og Progressive Insurance til Telefonica til at udvikle intelligente kundeservicebots.

"For at vide, om en kunde har et spørgsmål om fakturering eller en serviceplan, du behøver ikke at give os alle eksempler på spørgsmålet. Du kan levere fire eller fem, sammen med de funktioner og de søgeord, der er vigtige i det pågældende domæne, og Sprogforståelse tager sig af maskineriet i baggrunden, sagde Riham Mansour, ledende software engineering manager med ansvar for sprogforståelse.

Microsofts forskere undersøger, hvordan man anvender maskinlæringskoncepter til mere komplicerede problemer, som at klassificere længere dokumenter, e-mail og endda billeder. De arbejder også på at gøre undervisningen mere intuitiv, f.eks. at foreslå brugerne, hvilke funktioner der kan være vigtige for at løse opgaven.

Forestil dig, at en virksomhed ønsker at bruge kunstig intelligens til at scanne gennem alle sine dokumenter og e-mails fra det sidste år for at finde ud af, hvor mange tilbud der blev sendt ud, og hvor mange af dem, der resulterede i et salg, sagde Alicia Edelman Pelton, hovedprogramleder for Microsoft Machine Teaching Group.

Som et første skridt, systemet skal vide, hvordan man identificerer et tilbud fra en kontrakt eller en faktura. Ofte, der findes ingen mærkede træningsdata for den slags opgaver, især hvis hver sælger i virksomheden håndterer det lidt anderledes.

Hvis systemet brugte traditionelle maskinlæringsteknikker, virksomheden skal outsource denne proces, sende tusindvis af eksempeldokumenter og detaljerede instruktioner, så en hær af mennesker kan forsøge at mærke dem korrekt - en proces, der kan tage flere måneder frem og tilbage for at fjerne fejl og finde alle relevante eksempler. De har også brug for en maskinlæringsekspert, der vil være meget efterspurgt, at bygge machine learning -modellen. Og hvis nye sælgere begynder at bruge forskellige formater, som systemet ikke var uddannet i, modellen bliver forvirret og holder op med at fungere godt.

Derimod, Pelton sagde, Microsofts metode til maskinlæring ville bruge en person i virksomheden til at identificere de definerende funktioner og strukturer, der almindeligvis findes i et tilbud:noget sendt fra en sælger, en ekstern kundes navn, ord som "tilbud" eller "leveringsdato, " "produkt, " "antal, "eller" betalingsbetingelser. "

Det ville oversætte denne persons ekspertise til et sprog, som en maskine kan forstå og bruge en maskinlæringsalgoritme, der er blevet forudvalgt til at udføre denne opgave. Det kan hjælpe kunderne med at bygge tilpassede AI -løsninger på en brøkdel af tiden ved hjælp af den ekspertise, der allerede findes i deres organisation, Sagde Pelton.

Pelton bemærkede, at der er utallige mennesker i verden, "der forstår deres forretninger og kan beskrive de vigtige begreber - en advokat, der siger, 'åh, Jeg ved, hvordan en kontrakt ser ud, og jeg ved, hvordan en indkaldelse ser ud, og jeg kan give dig spor til at se forskellen.

At gøre svære problemer virkelig løselige

For mere end et årti siden, Hammond arbejdede som systemprogrammerer i et Yale neurovidenskabslaboratorium og lagde mærke til, hvordan forskere brugte en trin-for-trin tilgang til at træne dyr til at udføre opgaver til deres studier. Han havde en lignende åbenbaring om at låne disse lektioner for at undervise i maskiner.

Det fik ham i sidste ende til at grundlægge Bonsai, som blev opkøbt af Microsoft sidste år. Det kombinerer maskinundervisning med dyb forstærkningslæring og simulering for at hjælpe virksomheder med at udvikle "hjerner", der kører autonome systemer i applikationer lige fra robotteknologi og fremstilling til energi- og bygningsstyring. Platformen bruger et programmeringssprog kaldet Inkling til at hjælpe udviklere og endda fageksperter med at nedbryde problemer og skrive AI -programmer.

Dyb forstærkningslæring, en gren af ​​AI, hvor algoritmer lærer ved forsøg og fejl baseret på et system af belønninger, har klaret sig bedre end mennesker i videospil. Men disse modeller har kæmpet for at mestre mere komplicerede virkelige industrielle opgaver, sagde Hammond.

Tilføjelse af et maskinlæringslag-eller infusion af en organisations unikke fagkundskab direkte i en dybt forstærket læringsmodel-kan dramatisk reducere den tid, det tager at finde løsninger på disse dybt komplekse virkelige problemer, Sagde Hammond.

For eksempel, Forestil dig, at en produktionsvirksomhed ønsker at træne en kunstig intelligens-agent til autonomt at kalibrere et kritisk stykke udstyr, der kan blive smidt ud, når temperaturen eller fugtigheden svinger, eller efter at det har været i brug i nogen tid. En person ville bruge Inkling -sproget til at oprette en "lektionsplan", der skitserer relevant information til at udføre opgaven og til at overvåge, om systemet fungerer godt.

Bevæbnet med disse oplysninger fra dens maskinundervisningskomponent, Bonsai-systemet ville vælge den bedste forstærkningslæringsmodel og skabe en AI "hjerne" for at reducere dyr nedetid ved autonomt at kalibrere udstyret. Det ville teste forskellige handlinger i et simuleret miljø og blive belønnet eller straffet afhængigt af, hvor hurtigt og præcist det udfører kalibreringen.

At fortælle den AI-hjerne, hvad der er vigtigt at fokusere på i starten, kan kortslutte en masse frugtløs og tidskrævende efterforskning, da den forsøger at lære i simulering, hvad der gør og ikke virker, sagde Hammond.

"Grunden til, at maskinundervisning viser sig kritisk, er, at hvis du bare bruger forstærkningslæring naivt og ikke giver den oplysninger om, hvordan du løser problemet, det vil udforske tilfældigt og vil forhåbentlig - men ofte aldrig nogensinde - ramme en løsning, der virker, " sagde Hammond. "Det gør problemer virkelig løselige, mens de ikke er det uden maskinundervisning."