Na tym polu duże osiągnięcia ma właśnie polska firma deepsense.ai. zajmująca się projektowaniem wydajnych algorytmów maszynowego uczenia wykorzystywanych m.in. w robotyce czy autonomicznych samochodach. Jednak trenowanie algorytmów sztucznej inteligencji to praca wyjątkowo złożona obliczeniowo i wymagająca znacznych zasobów. Na ten problem zwrócili właśnie uwagę przedstawiciele deepsense.ai. Polacy mają świetnych specjalistów od maszynowego uczenia, jednak badacze, którzy chcieliby przeprowadzać eksperymenty wymagające dostępu do dużej mocy obliczeniowej tak naprawdę mają z tym w Polsce problem. A właściwie mieli – do niedawna. Wszystko dzięki Intelowi, który wspiera deepsense.ai właśnie dostarczając polskim specjalistom odpowiedniej mocy obliczeniowej.
Wykorzystanie klasycznych gier jako benchmarka pozwalającego oszacować wydajność konkretnego algorytmu uczenia maszynowego nie jest pomysłem nowym. Nad podobnymi rozwiązaniami pracowała już w 2013 roku należąca obecnie do Google’a firma DeepMind (twórcy systemu AlphaGo, który pokonał mistrza świata w go). Eksperci z DeepMind próbowali nauczyć maszynę obsługi kilku gier Atari nie poprzez deklaratywne zakodowanie konkretnych poleceń, lecz wyłącznie poprzez obserwację (m.in. przez kamery) sposobu rozgrywki oraz system kar i nagród, czyli w systemie uczenia maszynowego wzorowanym na sposobie uczenia się przez ludzi.
Eksperci z deepsense.ai poszli o krok dalej. Nauczenie się gier Atari zajęło maszynie z DeepMind tydzień. Tymczasem Polacy opracowali algorytm zdolny skrócić ten czas do zaledwie jednego dnia. Trzeba jednak zaznaczyć, że nie udałoby się to bez odpowiedniej mocy obliczeniowej dostarczonej przez Intela.
Zresztą sami byliśmy naocznymi świadkami, jak w trakcie spotkania, gdy trwała interesująca dyskusja – w ciągu niecałej godziny komputer nauczył się grać w grę Atari Boxing. Obecny na spotkaniu dr hab Henryk Michalewski, szef projektu w deepsense.ai powiedział “DeepMind nie ujawnił szczegółów swojego algorytmu, a ponieważ w deepsense.ai pracujemy nad podobnymi zagadnieniami, postanowiliśmy powtórzyć ten eksperyment z własnymi modyfikacjami”. Jak widać, modyfikacje okazały się wyjątkowo skuteczne. Przedstawiciele deepsense.ai podkreślali też znaczenie znanej już wcześniej, ale obecnie przechodzącej renesans metody uczenia maszynowego zwanej “reinforcement learning”, czy mówiąc po polsku – uczenie przez wzmacnianie. Jest to uczenie behawioralne, które wzorzec uczenia czerpie z ludzkiej psychologii (więcej na ten temat w naszym materiale pt. “Maszyny vs ludzie”
Z kolei Robert Bogucki, Chief Science Officer z deepsense.ai wyjaśniał że sztuczna inteligencja musi mieć umiejętność działania w naturalnym otwartym środowisku, tak jak robią to ludzie. To warunek konieczny do tego, by systemy takie jak np. autonomiczne samochody, czy roboty – były w stanie poprawnie funkcjonować. “Nie sposób zakodować z góry wszystkich możliwych fizycznie sytuacji w otwartym, naturalnym środowisku” – dodaje Bogucki.
Jednym z ciekawszych osiągnięć polskiej firmy było zlecenie zrealizowane na zamówienie amerykańskiej agencji NOAA (zajmującej się zmianami klimatycznymi i pogodą). Problemem do rozwiązania było opracowanie wyuczonego maszynowo systemu sztucznej inteligencji, która byłaby zdolna do automatycznej identyfikacji osobników z zagrożonych wyginięciem gatunków walenii wyłącznie na podstawie zdjęć tych ssaków wykonywanych np. z pokładu helikoptera. Okazuje się, że maszyna może być w tym zakresie znacznie bardziej wydajna od człowieka i potrafi jednoznacznie zidentyfikować konkretnego osobnika wyłącznie na podstawie fotografii.
Ambitnym projektem, o którym zebranych dziennikarzy poinformował dr Henryk Michalewski jest również opracowanie uczonych maszynowo metodą kar i nagród robotów asystenckich, czyli maszyn, które będą pomagać osobom niepełnosprawnym. Na końcowy wynik będziemy musieli jeszcze poczekać “gotowe rozwiązania powinny trafić na rynek w ciągu 10 lat” – dodał Michalewski. Trzymamy kciuki za powodzenie wszystkich projektów! | CHIP.