Phần Mềm Học Của Google Học Viết Phần Mềm Học

Tự động hóa công việc văn phòng đã trở thành một từ ngữ phổ biến trong cuộc tranh luận về sức mạnh ngày càng tăng của máy tính, khi phần mềm có khả năng thay thế một số công việc của kế toán và luật sư. Các nhà nghiên cứu trí tuệ nhân tạo tại Google đang cố gắng tự động hóa các nhiệm vụ của những người làm việc có thu nhập cao, thường mặc áo hoodie hơn là áo vest và cà vạt - chính họ.

Trong dự án có tên là AutoML, các nhà nghiên cứu của Google đã dạy phần mềm học máy xây dựng phần mềm học máy. Trong một số trường hợp, những gì nó tạo ra mạnh mẽ và hiệu quả hơn cả những hệ thống tốt nhất mà các nhà nghiên cứu tự thiết kế được. Google cho biết hệ thống gần đây đã đạt điểm kỷ lục là 82% trong việc phân loại hình ảnh theo nội dung của chúng. Trong nhiệm vụ khó khăn hơn là đánh dấu vị trí của nhiều đối tượng trong một hình ảnh, một nhiệm vụ quan trọng cho thực tế ảo và robot tự động, hệ thống tự động tạo ra đạt được 43%. Hệ thống do con người thiết kế tốt nhất chỉ đạt 39%.

Kết quả như vậy quan trọng vì chuyên gia cần thiết để xây dựng các hệ thống AI tiên tiến hiện đang khan hiếm - ngay cả tại Google. “Hiện nay, những cái này được tạo ra bởi các nhà khoa học máy học và thực sự chỉ có một vài ngàn nhà khoa học trên toàn thế giới có thể làm điều này,” ông Sundar Pichai, CEO của Google, nói tuần trước, đơn giản là nhắc đến AutoML tại một sự kiện ra mắt điện thoại thông minh và các thiết bị khác. “Chúng tôi muốn cho phép hàng trăm nghìn nhà phát triển có khả năng thực hiện điều này.”

AutoML vẫn là một dự án nghiên cứu. Một cách hơi trớ trêu, hiện tại nó đang đòi hỏi đúng loại hiểu biết hiếm hoi về trí tuệ nhân tạo mà công nghệ này đang cố gắng tự động hóa để làm việc. Nhưng ngày càng nhiều nhà nghiên cứu ngoại trừ Google cũng đang làm việc trên công nghệ này. Nếu AI tạo ra AI trở nên thực tế, học máy có thể lan rộng ra khỏi ngành công nghiệp công nghệ, ví dụ trong lĩnh vực chăm sóc sức khỏe và tài chính, nhanh hơn nhiều.

Tại Google, AutoML có thể tăng tốc chiến lược “AI đầu tiên” của Pichai, thông qua đó công ty đang sử dụng học máy để hoạt động hiệu quả hơn và tạo ra các sản phẩm mới. Các nhà nghiên cứu từ nhóm nghiên cứu Google Brain hoặc phòng thí nghiệm nghiên cứu DeepMind đặt tại London, mà công ty mua lại vào năm 2014, đã giúp giảm hóa đơn điện trong trung tâm dữ liệu của công ty và tăng tốc khả năng của Google để vẽ bản đồ các thành phố mới, ví dụ. AutoML có thể làm cho những chuyên gia đó trở nên hiệu quả hơn hoặc giúp các kỹ sư kém kỹ năng xây dựng hệ thống AI mạnh mẽ một cách độc lập.

Google liệt kê hơn 1.300 người trên trang web nghiên cứu của mình, không phải tất cả đều chuyên sâu về AI. Họ có hàng nghìn kỹ sư phần mềm khác. Alphabet, công ty mẹ của Google, có 27.169 nhân viên tham gia nghiên cứu và phát triển, theo báo cáo tài chính hàng năm mới nhất.

Google từ chối cho ai đó thảo luận về AutoML. Các nhà nghiên cứu ngoại trừ công ty nói rằng ý tưởng tự động hóa một số công việc của các chuyên gia AI đã trở thành một điểm nóng nghiên cứu - và cần thiết khi các hệ thống AI trở nên phức tạp hơn.

Nhiều công việc trong lĩnh vực được gọi là siêu học hay học cách học, bao gồm cả của Google, nhằm mục đích tăng tốc quá trình triển khai mạng nơ-ron nhân tạo. Kỹ thuật này bao gồm việc đưa dữ liệu qua các mạng của các phép toán toán học lỏng lẻo được lấy cảm hứng từ nghiên cứu về các tế bào thần kinh trong não.

Điều đó có vẻ rất phức tạp, nhưng một phần lớn để có được mạng nơ-ron thực hiện những mẹo hữu ích như xử lý âm thanh đến công việc nặng lương cao. Chuyên gia phải sử dụng bản năng và thử nghiệm để khám phá kiến trúc đúng cho một mạng nơ-ron. “Một phần lớn công việc của kỹ sư đó thực chất là một công việc rất nhàm chán, thử nghiệm nhiều cấu hình để xem cái nào hoạt động tốt hơn,” nói Roberto Calandra, một nhà nghiên cứu tại Đại học California Berkeley. Thách thức trở nên khó khăn hơn, ông nói, vì các nhà nghiên cứu đang xây dựng các mạng lớn hơn để giải quyết các vấn đề khó khăn hơn.

Calandra bắt đầu nghiên cứu về siêu học sau khi dành hai tuần làm việc khó chịu để làm cho một robot biết đi trong suốt thời kỳ nghiên cứu tiến sĩ của mình vào năm 2013. Anh ta thử một kỹ thuật thử nghiệm để tự động điều chỉnh phần mềm của nó, dựa trên một kỹ thuật học máy ít phức tạp hơn một mạng nơ-ron. Chiếc máy khó tính đã biết đi trong một ngày.

Tạo ra một thiết kế mạng nơ-ron từ đầu khó hơn việc điều chỉnh cài đặt của một mạng đã tồn tại. Nhưng các kết quả nghiên cứu gần đây cho thấy nó đang gần hơn để trở thành điều thực tế, theo Mehryar Mohri, giáo sư tại Đại học New York.