De meeste mensen zouden er niet aan denken om vijfjarigen te leren honkballen door ze een knuppel en een bal te geven. hen te vertellen om de objecten in de lucht te gooien in een ontelbaar aantal verschillende combinaties en in de hoop dat ze erachter komen hoe de twee dingen met elkaar verbonden zijn.

En toch, dit is in zekere zin hoe we machine learning tegenwoordig benaderen - door machines veel gegevens te laten zien en te verwachten dat ze associaties leren of zelf patronen vinden.

Voor veel van de meest voorkomende toepassingen van AI-technologieën van vandaag, zoals eenvoudige tekst- of beeldherkenning, dit werkt buitengewoon goed.

Maar naarmate de wens om AI voor meer scenario's te gebruiken groeide, Wetenschappers en productontwikkelaars van Microsoft hebben een complementaire benadering ontwikkeld die machine learning wordt genoemd. Dit is afhankelijk van de expertise van mensen om een ​​probleem op te splitsen in eenvoudiger taken en machine learning-modellen belangrijke aanwijzingen te geven over hoe je sneller een oplossing kunt vinden. Het is alsof je een kind leert een homerun te slaan door eerst de bal op de tee te leggen, dan een onderhandse worp gooien en uiteindelijk doorgaan met fastballs.

"Dit voelt heel natuurlijk en intuïtief als we hierover in menselijke termen praten, maar als we overschakelen naar machine learning, ieders denkwijze, of ze het nu beseffen of niet, is 'laten we gewoon fastballs naar het systeem gooien, '" zei Mark Hammond, Microsoft-algemeen manager voor zakelijke AI. "Machine teaching is een set hulpmiddelen die je helpt daarmee te stoppen."

Machine learning is bedoeld om kennis van mensen te verkrijgen in plaats van alleen kennis uit gegevens te halen. Iemand die de taak begrijpt - of hij moet beslissen welke afdeling in een bedrijf een inkomende e-mail moet ontvangen of hoe windturbines automatisch moeten worden geplaatst om meer energie op te wekken - zou dat probleem eerst in kleinere delen opsplitsen. Dan zouden ze een beperkt aantal voorbeelden geven, of het equivalent van lesplannen, om de machine learning-algoritmen te helpen het op te lossen.

In scenario's voor begeleid leren, machine learning is met name handig wanneer er weinig of geen gelabelde trainingsgegevens zijn voor de machine learning-algoritmen, omdat de behoeften van een branche of bedrijf zo specifiek zijn.

In moeilijke en ambigue leerscenario's met versterking - waar algoritmen moeite hebben om uit te zoeken welke van de miljoenen mogelijke acties nodig zijn om taken in de fysieke wereld onder de knie te krijgen - kan machine learning de tijd die een intelligente agent nodig heeft om de oplossing te vinden drastisch verkorten.

Het maakt ook deel uit van een groter doel om een ​​bredere groep mensen in staat te stellen AI op meer geavanceerde manieren te gebruiken. Met machine learning kunnen ontwikkelaars of vakexperts met weinig AI-expertise, zoals advocaten, accountants, ingenieurs, verpleegkundigen of heftruckchauffeurs, om belangrijke abstracte concepten te geven aan een intelligent systeem, die vervolgens de machine learning-mechanica op de achtergrond uitvoert.

Microsoft-onderzoekers begonnen bijna tien jaar geleden met het verkennen van de principes van machine learning, en die concepten werken nu hun weg naar producten waarmee bedrijven alles kunnen bouwen, van intelligente klantenservicebots tot autonome systemen.

"Zelfs de slimste AI zal zelf moeite hebben om te leren hoe ze enkele van de zeer complexe taken moeten uitvoeren die in de echte wereld veel voorkomen. Dus je hebt een aanpak als deze nodig, met mensen die AI-systemen begeleiden om de dingen te leren die we al weten, " zei Gurdeep Pall, Microsoft Corporate Vice President voor Business AI. "Deze kant-en-klare AI gebruiken en deze laten gebruiken door niet-experts om veel complexere taken uit te voeren, is echt de ideale plek voor machineonderwijs."

Vandaag, als we een machine learning-algoritme proberen te leren om te leren wat een tabel is, we konden gemakkelijk een dataset vinden met afbeeldingen van tabellen, stoelen en lampen die zorgvuldig zijn geëtiketteerd. Na het algoritme bloot te stellen aan talloze gelabelde voorbeelden, het leert de kenmerken van een tafel te herkennen.

Maar als je iemand moest leren een tafel te herkennen, je zou waarschijnlijk beginnen met uit te leggen dat het vier poten en een platte bovenkant heeft. Als u de persoon ook stoelen in die categorie zag plaatsen, je zou verder uitleggen dat een stoel een rugleuning heeft en een tafel niet. Deze abstracties en feedbackloops zijn de sleutel tot hoe mensen leren, en ze kunnen ook traditionele benaderingen van machine learning versterken.

"Als je een ander iets kunt leren, je zou het aan een machine moeten kunnen leren met taal die heel dicht bij mensen ligt, " zei Patrice Simard, De voorname ingenieur van Microsoft die een pionier was in het machineonderwijs van het bedrijf voor Microsoft Research. Deze maand, zijn team verhuist naar de Experiences and Devices-groep om dit werk voort te zetten en machine learning verder te integreren met conversatie-AI-aanbiedingen.

Miljoenen potentiële AI-gebruikers

Simard begon na te denken over een nieuw paradigma voor het bouwen van AI-systemen toen hij merkte dat bijna alle papers op machine learning-conferenties gericht waren op het verbeteren van de prestaties van algoritmen op zorgvuldig samengestelde benchmarks. Maar in de echte wereld, hij realiseerde, lesgeven is een even of misschien wel belangrijker onderdeel van leren, vooral voor eenvoudige taken waar beperkte gegevens beschikbaar zijn.

Als je een AI-systeem wilt leren hoe je de beste auto moet kiezen, maar slechts een paar voorbeelden hebt die als "goed" en "slecht" worden bestempeld, " zou uit die beperkte informatie kunnen worden afgeleid dat een kenmerkend kenmerk van een goede auto is dat het vierde nummer van zijn kenteken een "2" is. kilometers, veiligheidsclassificaties, crashtest resultaten, prijs - stelt de algoritmen in staat om goede en slechte auto's correct te herkennen, ondanks de beperkte beschikbaarheid van gelabelde voorbeelden.

In scenario's voor begeleid leren, machine learning verbetert modellen door deze betekenisvolle functies op hoog niveau te identificeren. Net als bij programmeren, de kunst van het machinaal leren omvat ook de ontleding van taken in eenvoudiger taken. Als de benodigde functies niet aanwezig zijn, ze kunnen worden gemaakt met behulp van submodellen die functies op een lager niveau gebruiken en zijn eenvoudig genoeg om uit een paar voorbeelden te worden geleerd. Als het systeem steeds dezelfde fout maakt, fouten kunnen worden geëlimineerd door functies of voorbeelden toe te voegen.

Een van de eerste Microsoft-producten die gebruikmaakt van machine learning-concepten, is Language Understanding, een hulp programma in Azure Cognitive Services dat intentie en sleutel concepten identificeert uit korte tekst. Het wordt gebruikt door bedrijven, variërend van UPS en Progressive Insurance tot Telefonica, om intelligente bots voor klantenservice te ontwikkelen.

"Om te weten of een klant een vraag heeft over facturering of een serviceplan, u hoeft ons niet elk voorbeeld van de vraag te geven. U kunt vier of vijf, samen met de functies en de trefwoorden die belangrijk zijn in dat domein, en Language Understanding zorgt voor de machinerie op de achtergrond, " zei Riham Mansour, hoofd software engineering manager verantwoordelijk voor Language Understanding.

Microsoft-onderzoekers onderzoeken hoe concepten voor machine learning kunnen worden toegepast op meer gecompliceerde problemen. zoals het classificeren van langere documenten, e-mail en zelfs afbeeldingen. Ze werken er ook aan om het leerproces intuïtiever te maken, zoals het voorstellen aan gebruikers welke functies belangrijk kunnen zijn voor het oplossen van de taak.

Stel je voor dat een bedrijf AI wil gebruiken om al zijn documenten en e-mails van het afgelopen jaar te scannen om erachter te komen hoeveel offertes zijn verzonden en hoeveel daarvan hebben geleid tot een verkoop, zei Alicia Edelman Pelton, hoofdprogrammamanager voor de Microsoft Machine Teaching Group.

Als eerste stap, het systeem moet weten hoe het een offerte uit een contract of een factuur kan identificeren. Vaak, er zijn geen gelabelde trainingsgegevens voor dat soort taken, vooral als elke verkoper in het bedrijf er een beetje anders mee omgaat.

Als het systeem traditionele machine learning-technieken zou gebruiken, het bedrijf zou dat proces moeten uitbesteden, duizenden voorbeelddocumenten en gedetailleerde instructies sturen zodat een leger mensen kan proberen ze correct te labelen - een proces dat maanden van heen en weer kan duren om fouten te elimineren en alle relevante voorbeelden te vinden. Ze hebben ook een expert op het gebied van machine learning nodig, waar veel vraag naar zal zijn, om het machine learning-model te bouwen. En als nieuwe verkopers andere formaten gaan gebruiken waarop het systeem niet is getraind, het model raakt in de war en werkt niet meer goed.

Daarentegen, Pelton zei, De machine learning-aanpak van Microsoft zou een persoon binnen het bedrijf gebruiken om de bepalende kenmerken en structuren te identificeren die vaak in een offerte worden aangetroffen:iets dat is verzonden door een verkoper, de naam van een externe klant, woorden als "offerte" of "leveringsdatum, " "Product, " "hoeveelheid, " of "betalingsvoorwaarden".

Het zou de expertise van die persoon vertalen in een taal die een machine kan begrijpen en een machine learning-algoritme gebruiken dat vooraf is geselecteerd om die taak uit te voeren. Dat kan klanten helpen om in een fractie van de tijd op maat gemaakte AI-oplossingen te bouwen met behulp van de expertise die al binnen hun organisatie aanwezig is. zei Pelton.

Pelton merkte op dat er talloze mensen in de wereld zijn "die hun bedrijf begrijpen en de belangrijke concepten kunnen beschrijven - een advocaat die zegt:'Oh, Ik weet hoe een contract eruit ziet en ik weet hoe een dagvaarding eruit ziet en ik kan je de aanwijzingen geven om het verschil te zien.'"

Moeilijke problemen echt oplosbaar maken

Meer dan een decennium geleden, Hammond werkte als systeemprogrammeur in een neurowetenschappelijk laboratorium van Yale en merkte hoe wetenschappers een stapsgewijze benadering gebruikten om dieren te trainen om taken voor hun studies uit te voeren. Hij had een soortgelijke openbaring over het lenen van die lessen om machines te leren.

Dat leidde er uiteindelijk toe dat hij Bonsai oprichtte, die vorig jaar door Microsoft werd overgenomen. Het combineert machineonderwijs met diepgaand leren en simulatie om bedrijven te helpen 'breinen' te ontwikkelen die autonome systemen besturen in toepassingen variërend van robotica en productie tot energie- en gebouwbeheer. Het platform gebruikt een programmeertaal genaamd Inkling om ontwikkelaars en zelfs materiedeskundigen te helpen problemen op te lossen en AI-programma's te schrijven.

Diep versterkend leren, een tak van AI waarin algoritmen leren met vallen en opstaan ​​op basis van een systeem van beloningen, heeft met succes beter gepresteerd dan mensen in videogames. Maar die modellen hebben moeite gehad om meer gecompliceerde industriële taken uit de echte wereld te beheersen, zei Hammond.

Door een machine learning-laag toe te voegen - of de unieke vakkennis van een organisatie rechtstreeks in een diepgaand leermodel te gieten - kan de tijd die nodig is om oplossingen te vinden voor deze zeer complexe problemen in de echte wereld drastisch worden verkort. zei Hammond.

Bijvoorbeeld, Stel je voor dat een productiebedrijf een AI-agent wil opleiden om autonoom een ​​kritisch apparaat te kalibreren dat in de war kan raken als de temperatuur of vochtigheid fluctueert of nadat het een tijdje in gebruik is geweest. Een persoon zou de Inkling-taal gebruiken om een ​​"lesplan" te maken dat relevante informatie schetst om de taak uit te voeren en om te controleren of het systeem goed presteert.

Gewapend met die informatie van de machine-leercomponent, het Bonsai-systeem zou het beste leermodel voor versterking selecteren en een AI-"brein" creëren om dure uitvaltijd te verminderen door de apparatuur autonoom te kalibreren. Het zou verschillende acties testen in een gesimuleerde omgeving en beloond of bestraft worden, afhankelijk van hoe snel en nauwkeurig het de kalibratie uitvoert.

Door dat AI-brein te vertellen wat belangrijk is om vanaf het begin op te focussen, kan een heleboel vruchteloze en tijdrovende verkenning worden kortgesloten terwijl het in simulatie probeert te leren wat wel en niet werkt, zei Hammond.

"De reden dat machine learning van cruciaal belang is, is dat als je naïef bekrachtigend leren gebruikt en het geen informatie geeft over hoe het probleem op te lossen, het gaat willekeurig verkennen en zal misschien hopelijk - maar vaak niet ooit - een oplossing vinden die werkt, "Zei Hammond. "Het maakt problemen echt oplosbaar, terwijl ze dat zonder machine learning niet zijn."