今年5月份,谷歌发布了其AutoML项目,目的是帮助人类创建其他AI系统。现在,谷歌宣布AutoML已经可以胜任这项工作。在开发机器学习软件方面,AutoML已经击败人类AI工程师,并且创造出比人类设计更强大、更高效的AI系统。
AutoML系统最近打破了一项纪录,将图像按其内容分类,准确率达到82%。
谷歌将这种方法应用于深度学习中的两个重要基准数据集:CIFAR-10图像识别和Penn Treebank的语言建模数据集。在这两个数据集上,新方法可以设计出比机器学习专家(包括我们自己的团队中的一些人)设计的最先进的模型还要高精度的模型。
比如在图像中标记多个物体的位置。在这一任务中,AutoML的准确率为43%,而人类设计的AI系统则为39%。
左边是人类专家设计的神经网络,右边是用AutoMl方法创建的一个体系结构
机器选择的架构确实与人类设计的架构有共同特征,但也有一些新元素 - 例如,机器选择的架构包含乘法组合(右图中最左边的蓝色节点标记为“ elem_mult ”)。
这种方法可能教会我们,到底为什么某些类型的神经网络工作得如此之好。右侧的架构有许多通道,以便梯度可以flow backwards,这可能有助于解释为什么LSTM RNN比标准RNN能更好地工作。
这些结果是非常有意义的,因为即使是在谷歌,也很少有人具备构建下一代AI系统所需的专业技能。这就需要一种技术帮助自动化这个过程,一旦取得突破,它就会改变整个行业。
谷歌大部分的“元学习”都是模仿人类神经网络进行的,并试图通过越来越多的数据训练这些网络。当机器接受过训练,它们会非常适合做这些工作。最困难的部分是最初模仿大脑结构,并在适当的尺度上处理更复杂的问题。
原文:https://research.googleblog.com/2017/05/using-machine-learning-to-explore.html
数据集:
https://www.cs.toronto.edu/~kriz/cifar.html
https://www.cs.toronto.edu/~kriz/cifar.html
★推荐阅读★
长期招聘志愿者
加入「AI从业者社群」请备注个人信息
添加小鸡微信 liulailiuwang