Ученые из США представили новый метод упаковки большого объема данных для обучения ИИ. Это снизит затраты на тренировку модели в несколько раз.
Исследователи объяснили, что машинное обучение требует множества примеров из данных. Например, чтобы создать модель ИИ, позволяющую распознать лошадь, ей необходимо проанализировать тысячи изображений лошадей. Это то, что делает технологию дорогой и отличающейся от обучения человека. Ребенку часто нужно увидеть всего несколько примеров предмета, или даже один, прежде чем он сможет распознавать его на протяжении всей своей жизни.
В новой работе предлагается, что модели ИИ тоже могут обучаться так — ученые назвали этот процесс «менее одного» — когда алгоритм распознает больше объектов, несмотря на то, что количество данных, на котором она обучалась, было небольшим.
Например, исследователи обучали ИИ распознаванию цифр, но загружали в модель не данные о каждой цифре, а делали это единой картинкой, учитывая, что у многих цифр есть схожие начертания. Это позволило им уменьшить количество данных с 60 тыс. снимков до 10.
Теперь исследователи работают над тем, чтобы найти другие способы проектирования небольших синтетических наборов данных, будь то ручное проектирование или с помощью другого алгоритма. Однако, несмотря на эти дополнительные исследовательские задачи, в статье представлены теоретические основы для дальнейшего обучения. «Наш вывод заключается в том, что вне зависимости от того, какие наборы данных у вас есть, вы, вероятно, сможете упаковать их для большей эффективности модели», — отметили ученые.
В будущем исследователи хотят обучать даже мощные модели на основе небольших массивов данных. При этом они составят четкие инструкции по упаковке данных, чтобы ими могли воспользоваться ученые даже с небольшим опытом.
Читать также
Раньше у Земли и Луны был общий магнитный щит. Это спасло планету от Солнца
В черных дырах могут быть вселенные. Рассказываем о новом открытии
На 3 день болезни большинство больных COVID-19 теряют обоняние и часто страдают насморком