Гонконгские ученые нашли способ ускорить машинное обучение

11.11.2018 11:53  68   Вадим Пономарёв  Статья

Современные тенденции предполагают широкое использование искусственного интеллекта в самых разных областях, но для этого должно происходить быстрое обучение нейросети.

Обучение нейросети

Рекордными показателями в этом плане для сетей AlexNet и ResNet-50 были 11 и 15 минут, сократить это время не удавалось из-за того, что безгранично увеличивать мощность системы невозможно. Однако ученым во главе с профессором Чу Сяовэнем удалось уменьшить показатели до 4 и 6,6 минут.

Как происходит машинное обучение?

Приведенные алгоритмы использовались для идентификации изображений при помощи базы данных ImageNet. Чтобы быстрее научить нейросеть такого типа, ученые прибегли к оптимизации передачи информации. Эта особенность была достигнута за счет объединения небольших пакетов, благодаря чему были достигнуты следующие преимущества:

  • увеличилась скорость обучения;
  • сохранилась исходная точность;
  • появилась возможность использования ИИ-алгоритма в разных областях (не только для распознавания фото).

Добиться этого удалось благодаря сотрудничеству гонконгских специалистов с китайской корпорацией Tencent, которая инвестирует в развитие и продвижение ИИ-технологий. Например, китайские разработчики создали ИИ-алгоритм, который побеждает компьютер в игре StarCraft. По оценкам экспертов, программисты из КНР считаются безусловными лидерами в этом направлении, они превосходят даже американских коллег.

Машинное обучение

Сфера применения

Гонконгские разработчики надеются, что их технология найдет применение при анализе медицинских изображений (кардиограмм, рентгеновских и МРТ-снимков), в интернет-играх, а также при распознавании текста для последующего перевода. Ускоренное обучение нейросети позволит существенно нарастить производительность, а если увеличатся мощность и пропускная способность ИИ, то процесс ускорится еще больше. Авторы проекта намерены продолжить совместную работу в этом направлении, поэтому в ближайшем будущем можно ожидать новых прорывов.