Takket være en kunstig intelligens udviklet af det britiske firma DeepMind, en algoritme, der er meget udbredt over hele verden, kan køre op til 70 % hurtigere.
Denne forbedring skyldes en ny tilgang fundet af kunstig intelligens til at klassificere data, som var blevet forsømt af menneskelige programmører i årtier.
se mere
Google Messaging: Fremtiden for chat på tværs af platforme kan være...
Bekræftet: Samsung producerer virkelig foldbare skærme til...
Opdagelsen har potentiale til at optimere millioner af programmer, da sorteringsalgoritmer er fundamentale funktioner, der i vid udstrækning anvendes af computere over hele verden.
Daniel Mankowitz fra DeepMind udtrykte overraskelse over de opnåede resultater og sagde, at de ikke forventede overlegen ydeevne.
Han fremhævede kortfattetheden af det udviklede program, som blev undersøgt i årtier. Klassifikationsalgoritmer, der er meget udbredt i computere, spiller en nøglerolle i organiseringen af data, hvad enten det er gennem alfabetisk rækkefølge af ord eller klassifikation numerisk.
Selvom der er flere tilgange på dette område, har innovationer været begrænset på grund af den høje optimering, der er opnået over tid.
Sorteringsalgoritmer, kendt som computerens "arbejdsheste", har til opgave at organisere data, uanset om ord sorteres alfabetisk eller sortering af tal i stigende rækkefølge.
På trods af eksistensen af adskillige klassifikationsalgoritmer, har innovationer været begrænsede, da disse tilgange er blevet meget optimeret gennem årtier.
For at overvinde denne begrænsning udviklede DeepMind en kunstig intelligens-model kaldet AlphaDev. I modsætning til at tweake eksisterende algoritmer, er AlphaDev designet til at opdage nye algoritmer, der er i stand til at udføre en given opgave.
Denne innovative tilgang starter fra bunden og søger at overvinde tidligere bestræbelser inden for dataklassificering. DeepMind bruger assembly-kode som en del af AlphaZero-udviklingsprocessen.
Assembly kode er et mellemliggende computersprog, der ligger mellem kode skrevet af mennesker og sekvenser af binære instruktioner kodet i 0'er og 1'er.
Mens monteringskode omhyggeligt kan læses og forstås af mennesker, er det meste software skrevet til sprog på højt niveau, som er mere intuitive, før de bliver oversat eller "kompileret" til kode montage.
DeepMind argumenterer dog for, at brugen af assembly-kode giver AlphaGo større frihed til skabe mere effektive algoritmer ved at udnytte deres evne til at forstå sproget i dybden niveau.
Under udviklingsprocessen guides den kunstige intelligens til at bygge en algoritme trin for trin og teste dets output mod en kendt korrekt løsning, og dermed sikre oprettelsen af en metode effektiv. Derudover instrueres AI i at søge at skabe den mest præcise algoritme som muligt.
Virksomheden peger på, at denne opgave bliver stadig mere udfordrende i takt med, at problemerne bliver mere komplekse. Dette skyldes, at antallet af mulige kombinationer af instruktioner stiger hurtigt og nærmer sig antallet af partikler i universet.
AI må således se vanskeligheden ved at udforske et ekstremt stort søgerum for at finde optimale løsninger på større problemer.
Da AlphaDev blev udfordret til at skabe en klassifikationsalgoritme, overraskede han ved at præsentere et resultat 70 % hurtigere end den algoritme, der blev betragtet som den bedste for lister med fem datastykker. På lister med mere end 250.000 varer opnåede algoritmen udviklet af AlphaDev desuden en præstationsforbedring på 1,7 %.
Daniel Mankowitz havde, da han analyserede programmet oprettet af AlphaDev, først mistanke om en fejl eller fejl, men da ved at undersøge nærmere, indså, at AI havde opdaget en mere effektiv tilgang til klassificering data.
Elsker af film og serier og alt hvad der involverer biograf. En aktiv nysgerrig på netværkene, altid forbundet med information om nettet.