Nowe narzędzia numeryczne, które nadadzą rozpędu sztucznej inteligencji
Algorytmy sztucznej inteligencji są w istocie obliczeniowymi algorytmami do rozwiązywania problemów. Podstawy sztucznej inteligencji i uczenia maszynowego często obejmują rozwiązywanie klasycznych problemów numerycznych, takich jak optymalizacja, algebra liniowa i równania różniczkowe. Naukowcy zajmujący się sztuczną inteligencją i uczeniem maszynowym często korzystają z istniejących narzędzi numerycznych, ponieważ są one powszechnie dostępne. Jednak większość algorytmów numerycznych ma już po kilkadziesiąt lat i została stworzona do zupełnie innych celów, takich jak zastosowania w fizyce, ekonomii lub symulacjach naukowych, a nie specjalnie na potrzeby sztucznej inteligencji. Te generyczne algorytmy zebrane w takich zbiorach są zwykle nieefektywne w przypadku jakiegokolwiek konkretnego zadania i mogą nie zapewniać bezpieczeństwa, gdy nieprawidłowo zastosuje się je do problemów, do których nie zostały zaprojektowane. W ramach projektu PANAMA, finansowanego przez Europejską Radę ds. Badań Naukowych, opracowano ramy do aktualizacji metod numerycznych na potrzeby algorytmów sztucznej inteligencji. Ogólnym celem było zaktualizowanie i płynniejsze zintegrowanie obliczeń numerycznych w ramach badań nad sztuczną inteligencją, a ostatecznie uczynienie sztucznej inteligencji szybszą i łatwiejszą w użyciu. „Głównym celem naszego projektu PANAMA było zaoferowanie lepszych interfejsów na potrzeby metod sztucznej inteligencji i uczenia maszynowego”, mówi Philipp Hennig, profesor metod uczenia maszynowego na Uniwersytecie w Tybindze.
Podobieństwa w obliczeniach
Metoda numeryczna to program, który wykorzystuje chipy komputerowe do oszacowania rozwiązania problemu matematycznego poprzez obliczenie serii „pomocnych liczb” – na przykład wartości wyrażeń w równaniu. Następnie wykorzystuje je do oszacowania rozwiązania w innym równaniu. Podobnie, algorytm uczenia maszynowego szacuje nieznane wielkości na podstawie danych, które są również zbiorem „pomocnych liczb”. Pomiary trajektorii obiektu astronomicznego można wykorzystać na przykład do oszacowania jego przyszłej trajektorii. Między uczeniem maszynowym a obliczeniami numerycznymi istnieje zatem bliskie podobieństwo semantyczne, ponieważ oba opierają się na gromadzeniu informacji w postaci liczb. Nowe metody opracowane w ramach projektu PANAMA wyraźnie wyrażają te kroki w tym samym języku matematycznym.
Tworzenie nowych ram dla obliczeń numerycznych
W ramach projektu stworzono ramy programowe umożliwiające opracowywanie metod numerycznych na potrzeby sztucznej inteligencji w coraz bardziej zautomatyzowany sposób. W tym celu zespół wykorzystał technikę obliczeniową zwaną automatycznym różnicowaniem, koncepcję matematyczną o wielkim potencjale. Oprogramowanie PANAMA jest dostępne online, a zespół stworzył serię praktycznych wdrożeń nowych narzędzi. Projekt przyczynił się również do powstania niskopoziomowych procedur na potrzeby uczenia maszynowego, z których wszystkie mogą być bezpośrednio wykorzystywane przez inżynierów i praktyków naukowych. Kolejnym głównym rezultatem jest publikacja pełnego podręcznika, wydanego przez Cambridge University Press i dostępnego online. „To pierwsza książka, która bezpośrednio omawia obliczenia z perspektywy wnioskowania”, wyjaśnia Hennig.
Ulepszanie sztucznej inteligencji w powszechnych zastosowaniach
Narzędzia opracowane w ramach projektu PANAMA mogą być wykorzystywane przez praktyków sztucznej inteligencji w szerokim zakresie dziedzin, w tym w neuronauce, zdrowiu publicznym i naukach geologicznych. Metody te mają zastosowanie w symulacji biologicznych sieci neuronowych, adaptacyjnym śledzeniu i kontrolowaniu pandemii oraz symulacji złożonych procesów geologicznych o wysokim poziomie niepewności. Wyniki projektu PANAMA doprowadzą do opracowania czystszych paradygmatów pisania i realizacji systemów sztucznej inteligencji, czyniąc je bardziej wydajnymi, skutecznymi i bezpieczniejszymi w użyciu. „Ten rodzaj pracy teoretycznej nie przebiega na szczęście w tak zawrotnym tempie, jak zastosowania sztucznej inteligencji”, dodaje Hennig. „Może jednak mieć bardziej trwały efekt długoterminowy, czyniąc systemy sztucznej inteligencji potężniejszymi i wydajniejszymi, ale także łatwiejszymi i bezpieczniejszymi w użyciu”.
Słowa kluczowe
PANAMA, sztuczna inteligencja, uczenie maszynowe, probabilistyczne, zastosowania, numeryczne, rozwiązywanie, problemy
