Искусственный интеллект стал обучаться в 10 раз быстрее

15.02.2018 20:54  20369   Анна Заморникова  Статья

Подразделение Google DeepMind продемонстрировало новый подход к быстрому и глубокому обучению искусственного интеллекта, который сможет выполнять многозадачные функции.

ИИ стал учиться в 10 раз быстрее

В основу принципа обучения легло сочетание современных алгоритмов и старых видеоигр.

Система IMPALA

По мнению команды DeepMind, которая создала AlphaGo (эта нейросеть много раз побеждала чемпионов логической японской игры Го), машины способны обучаться так же, как и люди. Заявленный алгоритм обучения получил название IMPALA (Importance Weighted Actor-Learner Architecture). Он не только использует ресурсы более эффективно при «одномоторном» обучении, но и масштабируется до тысяч машин, не жертвуя эффективностью данных или использованием ресурсов. Для работы IMPALA используется учебный комплект DMLab-30, который построен на игре Quake III ID Software и 57 аркаде Atari. Проще говоря, IMPALA разделяет нейронные сети на «игроков» и «студентов».

Подразделение Google DeepMind

С IMPALA система ИИ очень быстро запускает массу видеоигр и отправляет обучающую информацию из компонента «игроков», которые исследуют среду, двум «ученикам», которые уже обмениваются данными с остальными участниками процесса. По словам исследователей, с IMPALA эффективность возросла в 10 раз относительно прежних методов. Более того, именно благодаря возможности одновременно решать несколько задач, нейронные сети гораздо быстрее записывают новую информацию. А от скорости обработки кадров зависит скорость обучения. По словам разработчиков DeepMind, IMPALA обрабатывает 250 000 кадров в секунду или 21 миллиард кадров в день.

Проблемы новой системы

Одна из самых больших проблем, с которой сталкиваются разработчики ИИ – это время и мощность обработки данных, необходимые для обучения нейронной сети. В отличие от традиционного программирования, где человек «вбивает» огромное количества кода, автономные машины требуют правил, с которыми они могут найти способ справиться с проблемами реального мира. Например, автомобиль под управлением ИИ должен справляться со всевозможными сложными ситуациями на дорогах, а для этого важно, чтобы программное обеспечение было подготовлено ко всему.  Поэтому моделирование при помощи видеоигр является одним из методов, который подготовит ИИ для эффективной реальной работы.