Tutkijat selittivät, että koneoppiminen vaatii monia esimerkkejä datasta. Esimerkiksi siihen
Uusi artikkeli ehdottaa myös tekoälymallejavoidaan kouluttaa tällä tavalla - tutkijat kutsuivat tätä prosessia "alle yhdeksi" - kun algoritmi tunnistaa enemmän esineitä huolimatta siitä, että datan määrä, johon sitä koulutettiin, oli pieni.
Esimerkiksi tutkijat kouluttivat tekoälyä tunnistamaannumeroita, mutta ne eivät lataaneet tietoja jokaisesta numerosta malliin, vaan tekivät sen yhtenä kuvana ottaen huomioon, että monilla numeroilla on samanlainen tyyli. Tämän ansiosta he pystyivät vähentämään datan määrää 60 tuhannesta kuvasta 10:een.
Tekoäly on oppinut valitsemaan materiaalia tutkimusta varten
Tutkijat työskentelevät nytlöytää muita tapoja suunnitella pieniä synteettisiä tietojoukkoja, olipa kyseessä sitten manuaalinen suunnittelu tai jokin muu algoritmi. Näistä lisätutkimushaasteista huolimatta artikkeli tarjoaa teoreettisen kehyksen jatko-oppimiselle. "Meidän takeaway on, että riippumatta siitä, mitä aineistoja sinulla on, voit todennäköisesti pakata ne tekemään mallista tehokkaamman", he sanoivat.
Tulevaisuudessa tutkijat haluavat kouluttaa jopa voimakkaitamalleihin, jotka perustuvat pieniin tietojoukoihin. Tällöin he laativat selkeät ohjeet tietojen pakkaamiseen, jotta tutkijat, joilla on edes vähän kokemusta, voivat käyttää niitä.
Lue myös
Aikaisemmin maalla ja kuulla oli yhteinen magneettikilpi. Se pelasti planeetan auringolta
Mustissa aukoissa voi olla maailmankaikkeuksia. Kerromme sinulle uudesta löydöstä
Sairauspäivänä 3 useimmat COVID-19-potilaat menettävät hajuaistunsa ja kärsivät usein nenästä