Машинное обучение в Google: Что нового?

У компания Google в регионе EMEA (Европа, Ближний Восток и Африка) уже шесть центров, которые занимаются исследованиями в области искусственного интеллекта. Они находятся в Цюрихе (Швейцария), Тель-Авиве и Хайфе (Израиль), в Париже (Франция), Амстердаме (Нидерланды), Берлине (Германия) и в Аккре (Гана). При этом четыре последних были открыты только в этом году, что ещё раз показывает насколько серьёзно в Google относятся к этому направлению. Что нового в области искусственного интеллекта и машинного обучения за последний год произошло в Google, я расскажу в этом материале, после посещения исследовательского центра компании в Амстердаме.Нейросети, которые научились создавать новые нейросети«Представьте, что вам нужно запрограммировать компьютер, чтобы распознавать объекты на изображении. Он должен вам сказать, где кот, где собака, а где автомобиль. На данный момент даже лучший программист в Google не сможет запрограммировать компьютер на выполнение этой задачи с нуля. И вот где вам на помощь приходит машинное обучение» — рассказывает Оливье Буске (Olivier Bousquet), глава Google AI в Европе.В компании называют машинное обучение новой парадигмой, при которой вместо того, чтобы программировать компьютер распознавать котов, собак или автомобили, можно собрать базу данных, где их изображения будут соответствующим образом помечены, и прогнать её через нейросеть. Последняя изначально будет делать ошибки, так как со старта ничего не знает, но получая на выходе неправильную информацию, нейросеть можно слегка модифицировать, корректируя результаты и таким способом обучая её. В итоге она научится определять объекты на изображениях, на которых учится. Но самое интересное, если прогнать через эту же нейросеть картинку не из базы данных, например новое фото собаки, то она всё-равно с большой долей вероятности сможет его распознать. В итоге получается система, которая может выполнять задачу классификации изображений, натренированная только на примерах. И таким же способом нейросети могут решать большое количество задач. Сегодня Google использует машинное обучение в почте Gmail, переводчике Google Traslate, клавиатуре GBoard и в других своих продуктах, но не планирует на этом останавливаться.Компания начала использовать поиск нейронных архитектур (Neural architecture search, NAS), чтобы автоматизировать создание моделей искусственных нейронных сетей. В этом году Google представила рекуррентную нейронную сеть AutoML, которая собственно и занимается тем, что позволяет без специальных знаний создать нейросеть для решения своих задач.«Мы всегда хотели сделать машинное обучение доступным как можно большему количеству людей, но понимали, что ограничением является недостаточное количество экспертизы. Поэтому мы подумали, что можем использовать машинное обучение для решения и этой проблемы» — объясняет Оливье Буске — «Что мы сделали? Мы создали базу данных, где ввод — это архитектуры нейронных сетей, а вывод — это то, насколько хорошо эти модели решают определённые задачи. Дальше мы создали новую нейросеть, прогнав через неё эти данные, что позволило ей предсказывать эффективность разных архитектур, быстро их искать и создавать лучшую для необходимой задачи. Полученные модели не такие элегантные, как если бы их создавал специалист по машинному обучению, но в конце концов они справляются с поставленной задачей».title="Машинное обучение в Google: Что нового?" В Google уже запустили бета-версию сервиса Cloud AutoML, который позволяет создавать собственные нейросети и тренировать их для решения необходимых задач. На данный момент сервис включает такие продукты как Cloud Vision (распознавание изображений), Cloud Natural Language (анализ текста) и Cloud Translation (перевод).--> Машинное обучение в Google: Что нового?

2. Копирование демонстрации, а не креативность;
3. Результаты не улучшаются по сравнению с демонстрацией.В качестве обхода первого ограничения Google приводят пример, когда роботу нужно научиться переливать жидкость из одного сосуда в другой. Для этого ему демонстрируют видео, в котором человек с разных ракурсов выливает «Колу» в стакан. При этом у самого робота другие условия, он должен пересыпать цветные шарики из одной чашки в другую. По сути это тоже обучение с учителем, но от компьютера, который управляет роботом требуется самостоятельно понять, какие действия нужно совершить, чтобы выполнить задачу. То есть, он во-первых должен научиться определять, что общего между разными кадрами видео и чем они отличаются, а во-вторых имитировать движение человека.