محققان هوش مصنوعی و یادگیری ماشین گوگل، مغلوب یک گروه آماتور شدند
دانشآموزان سرویس آنلاین Fast.ai (سرویس آموزشهای رایگان یادگیری ماشین)، یک الگوریتم هوش مصنوعی توسعه دادند که کد نوشتهشده توسط محققان گوگل را براساس یک بنچمارک مهم شکست داده است. موفقیت این گروه از آن جهت مهم است که در اکثر مواقع، داشتن منابع قوی مالی و نیروی انسانی، پیشنیاز موفقیت در هوش مصنوعی تصور میشود. در صورتی که این گروه تنها با آموزشهای ساده و رایگان، الگوریتمی موفق توسعه دادهاند.
این سرویس آنلاین متشکل از تعدادی دانشآموز است که به آزمایش و آموختن یادگیری ماشین علاقهمند هستند. برخی از آنها این یادگیری را برای اشتغال آتی در این حرفه و علوم داده انجام میدهند. آنها توسط سرویس Fast.ai به کامپیوترهای سرویس ابری آمازون دسترسی دارند.
بنچمارک DAWNBench برای بررسی الگوریتم این گروه آماتور و مقایسهی آن با کد نوشتهشده توسط محققان گوگل مورد استفاده قرار گرفته است. این بنچمارک توسط محققان دانشگاه استنفورد طراحی شده است. در این بنچمارک، وظیفهی دستهبندی تصاویر مورد بررسی قرار میگیرد تا سرعت یادگیری عمیق الگوریتم برحسب هزینهی قدرت پردازش آن محاسبه شود.
در رتبهبندیهای قبلی، محققان Google درصدر این بنچمارک قرار داشتند. آنها در دستهبندی آموزش تعداد زیادی ماشین با استفاده از چیپستهای مخصوص ساخت خودشان برای یادگیری ماشین، بررسی شدند. در مقایسهی اخیر، تیم fast.ai محصولی سریعتر را با سختافزاری تقریبا مشابه عرضه کردند.
جرمی هاوارد، یکی از موسسان این سرویس آنلاین و محقق هوش مصنوعی است. او براساس این نتایج معتقد است که دیگر مرزهای علم در اختیار شرکتهای بزرگ قرار ندارد. او به همراه همکارش راشل توماس این سرویس را برای دسترسی آسانتر همگان به فناوری هوش مصنوعی راهاندازی کرده است.
تیم هاوارد با استفاده از روشهای سادهتر توانست تیم گوگل را شکست دهد. یکی از این روشهای ساده، بریدن تصاویر در ابعاد مشخص، پیش از تزریق آنها به سیستم یادگیری ماشین بود. هاوارد میگوید بسیاری از محققان همین مراحل ساده و پیشپا افتاده را در نظر نمیگیرند.
مرزهای علم یادگیری ماشین دیگر در انحصار شرکتهای بزرگ نیست
کد موردنیاز برای اجرای الگوریتم یادگیری در ماشینهای متعدد، توسط یک کارمند در بخش نوآوریهای دفاعی پنتاگون توسعه یافته است. این کد برای کمک به نظامیان و آشنایی بیشتر آنها با هوش مصنوعی و یادگیری ماشین آماده شده است. ماتی زاهاریا، استاد دانشگاه استنفورد و یکی از سازندگان DAWNBench معتقد است نتیجهی عملکرد تیم fast.ai خارقالعاده بوده اما به این نکته اشاره میکند که هنوز برای بسیاری از پروژههای هوش مصنوعی، به مقدار زیادی داده و همچنین منابع پردازشی قوی نیاز است.
الگوریتم fast.ai در دیتابیس ImageNet و با استفاده از ۱۶ دستگاه سرویسهای وب آمازون، بهمدت ۱۸ دقیقه به یادگیری و مطالعه پرداخت. هزینهی پردازش این زمان نیز ۴۰ دلار محاسبه شد. هاوارد ادعا میکند این نتایج حدود ۴۰ درصد از گوگل بهتر بوده است. البته او به اشکالات این مقایسه نیز اشاره میکند که مهمترین مورد آن، تفاوت در سختافزارها است.
جک کلارک، مدیر ارتباطات و سیاستهای سازمان غیرانتفاعی OpenAI معتقد است تلاشهای سرویس fast.ai قابل تحسین بوده و در زمینههای مختلف دیگر مانند درک زبان نیز دستاورهای باارزشی تولید کرده است. از نظر او چنین سرویسهایی با آشنا کردن همگان با فناوری هوش مصنوعی، کمک شایانتوجهی به بشریت میکنند.