Разработчики нейросети AlphaGo, неоднократно побеждавшей человека в го, верят, что машины могут учиться так же, как люди. При помощи тренировочной системы DMLab-30, которая построена на основе шутера Quake III и аркадных игр Atari команда разработала новую архитектуру IMPALA (Importance Weighted Actor-Learner Architectures).
IMPALA пересылает информацию, полученную в ходе обучения «действующими лицами», группе «учащихся». Система не только проходит игры в 10 раз эффективнее, чем другие модели, но и играет одновременно во множество видеоигр.
Одними из главных противников разработчиков ИИ является время и вычислительная мощность, которые необходимы для обучения нейронной сети. Автономным машинам нужны правила, по которым они могли бы экспериментировать и искать пути решения задач. Поскольку мы не можем построить роботов и просто выпустить их на волю учиться, существуют симуляции и глубокое обучение с подкреплением.
Для того чтобы современные нейронные сети могли чему-то научиться, им приходится обрабатывать огромный объем информации, в данном случае — миллиарды кадров. И чем быстрее они это делают, тем меньше времени уходит на обучение.
По словам представителей DeepMind, при наличии достаточного числа процессоров IMPALA достигает производительности в 250 000 кадров/с или 21 млрд кадров в день. Это абсолютный рекорд для задач такого рода, пишет The Next Web. И, как говорится в документации к системе, ИИ справляется с задачей лучше, чем аналогичные машины и люди.
Разработан портативный и недорогой аппарат УЗИ
Кейсы
В начале февраля DeepMind выпустила ИИ, который диагностирует заболевания глаз «по фотографии» — трехмерным сканам сетчатки. Машина научилась распознавать признаки трех заболеваний: глаукомы, диабетической ретинопатии и возрастной макулярной дегенерации. Причем быстрее специалиста-человека.