Kiitos a tekoäly brittiläisen DeepMindin kehittämä algoritmi, jota käytetään laajalti ympäri maailmaa, voi toimia jopa 70 % nopeammin.
Tämä parannus johtuu tekoälyn löytämästä uudesta lähestymistavasta tietojen luokittelemiseksi, jotka ihmisohjelmoijat olivat laiminlyöneet vuosikymmeniä.
Katso lisää
Google Messaging: Monialustaisen chatin tulevaisuus voisi olla…
Vahvistettu: Samsung todella valmistaa taitettavia näyttöjä…
Löytöllä on potentiaalia optimoida miljoonia ohjelmia, koska lajittelualgoritmit ovat perustoimintoja, joita tietokoneet käyttävät laajalti ympäri maailmaa.
Daniel Mankowitz DeepMindistä ilmaisi yllätyksensä saaduista tuloksista ja totesi, että he eivät odottaneet parempaa suorituskykyä.
Hän korosti kehitetyn, vuosikymmeniä tutkitun ohjelman ytimekkyyttä. Luokittelualgoritmeilla, joita käytetään laajalti laskennassa, on keskeinen rooli tietojen järjestämisessä joko sanojen aakkosjärjestyksen tai luokituksen avulla numeerinen.
Vaikka tällä alalla on useita lähestymistapoja, innovaatiot ovat olleet rajallisia ajan mittaan saavutetun korkean optimoinnin vuoksi.
Lajittelualgoritmit, joita kutsutaan tietojenkäsittelyn "työhevosiksi", ovat tehneet tietojen järjestämisen, olipa kyseessä sanojen lajittelu aakkosjärjestyksessä tai numeroiden lajittelu nousevaan järjestykseen.
Useista luokittelualgoritmeista huolimatta innovaatiot ovat olleet rajallisia, koska näitä lähestymistapoja on optimoitu vuosikymmenten aikana.
Tämän rajoituksen voittamiseksi DeepMind kehitti tekoälyn mallin nimeltä AlphaDev. Toisin kuin olemassa olevien algoritmien säätämistä, AlphaDev on suunniteltu löytämään uusia algoritmeja, jotka pystyvät suorittamaan tietyn tehtävän.
Tämä innovatiivinen lähestymistapa alkaa tyhjästä ja pyrkii voittamaan aikaisemmat ponnistelut tietojen luokittelun alalla. DeepMind käyttää kokoonpanokoodia osana AlphaZero-kehitysprosessia.
Kokoonpanokoodi on välimuotoinen tietokonekieli, joka sijaitsee ihmisten kirjoittaman koodin ja binäärikäskyjonojen välissä, jotka on koodattu 0:lla ja 1:llä.
Vaikka ihmiset voivat lukea ja ymmärtää kokoonpanokoodin huolellisesti, useimmat ohjelmistot ovat kirjoitettuja korkean tason kielille, jotka ovat intuitiivisempia, ennen kuin ne käännetään tai "käännetään" koodiksi kokoonpano.
DeepMind väittää kuitenkin, että kokoonpanokoodin käyttö antaa AlphaGolle enemmän vapautta luoda tehokkaampia algoritmeja hyödyntämällä niiden kykyä ymmärtää kieltä syvällisesti taso.
Kehitysprosessin aikana tekoälyä ohjataan rakentamaan algoritmi askel askeleelta ja testaa sen tulosta tunnettua oikeaa ratkaisua vastaan, mikä varmistaa menetelmän luomisen tehokas. Lisäksi tekoälyä ohjeistetaan pyrkimään luomaan mahdollisimman ytimekäs algoritmi.
Yhtiö huomauttaa, että tämä tehtävä muuttuu yhä haastavammaksi ongelmien monimutkaistumisen myötä. Tämä johtuu siitä, että mahdollisten ohjeyhdistelmien määrä kasvaa nopeasti ja lähestyy maailmankaikkeuden hiukkasten määrää.
Näin ollen tekoälyn on kohdattava vaikeuksia tutkia erittäin laajaa hakuavaruutta löytääkseen optimaalisia ratkaisuja suurempiin ongelmiin.
Kun AlphaDev haastettiin luomaan luokittelualgoritmi, hän yllättyi esittäessään tuloksen 70 % nopeammin kuin algoritmi, jota pidettiin parhaana viiden datan luetteloissa. Lisäksi yli 250 000 kohteen listoissa AlphaDevin kehittämä algoritmi paransi suorituskykyä 1,7 %.
Daniel Mankowitz, analysoidessaan AlphaDevin luomaa ohjelmaa, epäili aluksi virhettä tai puutetta, mutta kun tutkiessaan edelleen, huomasi, että tekoäly oli löytänyt tehokkaamman lähestymistavan luokitteluun tiedot.
Elokuvien ja sarjojen ja kaiken elokuvaan liittyvän ystävä. Aktiivinen utelias verkoissa, aina yhteydessä verkkotietoihin.
