211service.com
Chytré algoritmy učení Numenty
Jeff Hawkins má zkušenosti s předpovídáním budoucnosti. Zakladatel společnosti Palm a vynálezce PalmPilot strávil 90. léta mluvením o přicházejícím světě, ve kterém budeme všichni nosit v kapsách výkonné počítače. Tehdy tomu nikdo nevěřil – lidé si mysleli, že jsem blázen, říká. Samozřejmě jsem nadšený z toho, jak je dnes mobilní výpočetní technika úspěšná.
Co bude dál: Jeff Hawkins, vynálezce PalmPilot v 90. letech, nyní vyvinul novou sadu prediktivních algoritmů inspirovaných fungováním neokortexu, mozkového plánovacího centra.
V jeho současné firmě, Numenta Hawkins pracuje na dalším nápadu, který jako by vyšel z levého pole: kopírování fungování našich vlastních mozků, abychom vytvořili software, který dělá přesná okamžitá rozhodnutí pro dnešní podniky zaplavené daty. On a jeho tým pracují na svých algoritmech od roku 2005 a konečně se připravují na vydání verze, která je připravena k použití v produktech. Technologie společnosti Numenta je zaměřena na různé aplikace, jako je posuzování, zda je transakce kreditní kartou podvodná, předvídání toho, na co uživatel webu klepne příště, nebo předpovídání pravděpodobnosti, že u konkrétního nemocničního pacienta dojde k recidivě.
Tyto příklady mají společné to, že obsahují složité vzorce, které se časem vyvíjejí, říká Hawkins. Algoritmy mohou analyzovat a extrapolovat z těchto vzorů, protože si vypůjčují techniky z částí lidského mozku, které se vyvinuly k interpretaci složitých dat proudících z našich smyslů a používají je k předpovídání toho, co by mohlo přijít.
Některé společnosti již testují nejnovější přístup Numenty. Sm4rt Security Services, společnost zabývající se počítačovou bezpečností se sídlem v Mexico City, je jedním z nich. Jedna z předních světových bank nás najala, abychom dokázali, že tato nová technologie dokáže zabránit podvodům s kartami, říká generální ředitel Victor Chapela. Za pouhé tři měsíce se nám podařilo dosáhnout přesnosti stávajících systémů, které byly vyvíjeny více než 25 let.
Banka nasadí někdy v příštím roce kontrolu podvodů založený na Numentě vedle svých stávajících opatření, říká. Banka podle něj každoročně trpí podvody ve výši více než 100 milionů dolarů, takže vše, co dokáže snížit byť jen zlomek z toho, má velmi rychlou návratnost.
Technologie společnosti Numenta je pro banky atraktivní, protože její schopnost učit se z předchozích dat obchází zásadní limit technologie prevence podvodů. Počítačový systém banky má pouhých 10 milisekund na to, aby se rozhodl, zda transakci povolí, říká Chapela: Jednoduše není čas prohledávat minulé transakce člověka. V důsledku toho jsou transakce obvykle rozděleny do úzce definovaných kategorií a posuzovány podle pravidel specifických pro každou z nich – pravidel, která mají co do činění s vlastnostmi, jako je typ karty, účtovaná částka a typ obchodníka.
Technologie Numenta však činí tyto samostatné sady pravidel zbytečnými. Místo toho se používá nezpracovaný zdroj výdajových vzorců každého člověka k trénování sady algoritmů, aby se mohli naučit zvyky daného zákazníka. V každém okamžiku má systém internalizovanou reprezentaci minulých událostí, které používá k předpovědi, jaké druhy transakcí pravděpodobně přijdou. Pokud nová transakce nesplňuje tato očekávání, může být označena jako potenciální podvod. V tomto přístupu jsou detektory podvodů vždy aktuální, říká Chapela. Na druhou stranu tradiční analytický systém musí mít svá pravidla aktualizována v pracném procesu, který se obvykle provádí pouze jednou za šest měsíců.
Hawkinsova inspirace pro základní technologii pochází z neokortexu, vrásčité vnější vrstvy našeho mozku, která je zodpovědná za činnosti, jako je řeč, pohyb a plánování. Překvapivě tyto velmi odlišné schopnosti vycházejí ze společné architektury neuronů spíše než z různých shluků neuronů s velmi specifickými rysy.
Hawkins si tuto myšlenku společné architektury vypůjčil. Jako vodítko používáme primární zdroje o neurovědě, takže je v tom obrovské množství biologie, říká. Algoritmy simulují několik vrstev neuronů, které zpracovávají informace v neokortexu. Spodní vrstva přijímá nezpracovaná vstupní data a poté předává zpracovanou a zhuštěnou verzi další vrstvě algoritmů. Jak informace stoupají k tomuto hierarchickému modelu, stávají se abstrahovanými od originálu a extrahují se nejvýraznější rysy, říká Itamar Arel , který pracuje na strojovém učení na University of Tennessee.
Schopnost systému předpovídat probíhající události je zakořeněna v jeho jedinečné kapacitě pro zpracování časových nebo časově závislých dat. Konvenční výukový software to nedokáže, protože nedokáže zpracovat vstup skládající se z mnoha proměnných, které se v čase mění. Místo toho musí inženýři obecně extrahovat hrstku proměnných, které považují za užitečné, a vložit je do algoritmů.
Toto předběžné zpracování není nutné v modelech inspirovaných studiemi biologických mozků, říká Arel. Místo toho se může systém učení sám rozhodnout, co je důležité a co ne. Jedná se o nově vznikající obor nazývaný hluboké strojové učení. Většina akademického úsilí se však zaměřuje na zpracování obrázků, říká. Na Numentě je jedinečné to, že dokáže zpracovat dočasná data, což otevírá různé druhy aplikací. Mezi příklady, které si Hawkins představuje: podniky by mohly lépe analyzovat lidskou řeč nebo vzorce využití elektřiny v budovách.
Ale zatímco tento přístup zvyšuje vyhlídky na systémy, které se dokážou dozvědět o jakémkoli druhu dat, spíše než aby se specializovaly pouze na jeden úkol, Numenta stále musí prokázat, že její technologie je široce použitelná a nákladově efektivní. Není také jasné, jak společnost uvede technologii na trh, ale pravděpodobně to bude spíše ve formě vývojových nástrojů než standardních produktů. Nyní, když technologie skutečně funguje, říká Hawkins, příští rok nás čeká přechod do režimu vývoje produktů.