La maggior parte delle persone non penserebbe di insegnare ai bambini di cinque anni come colpire una palla da baseball dando loro una mazza e una palla, dicendo loro di lanciare gli oggetti in aria in una miriade di combinazioni diverse e sperando che capiscano come si collegano le due cose.

E ancora, questo è in un certo senso il modo in cui ci avviciniamo all'apprendimento automatico oggi, mostrando alle macchine molti dati e aspettandoci che apprendano associazioni o trovino schemi da sole.

Per molte delle applicazioni più comuni delle tecnologie AI oggi, come il semplice riconoscimento di testo o immagini, questo funziona molto bene.

Ma poiché è cresciuto il desiderio di utilizzare l'intelligenza artificiale per più scenari, Gli scienziati Microsoft e gli sviluppatori di prodotti hanno aperto la strada a un approccio complementare chiamato machine learning. Ciò si basa sull'esperienza delle persone per suddividere un problema in attività più semplici e fornire ai modelli di apprendimento automatico importanti indizi su come trovare una soluzione più rapidamente. È come insegnare a un bambino a fare un fuoricampo mettendo prima la palla sul tee, poi lanciare un lancio subdolo e infine passare a palle veloci.

"Questo sembra molto naturale e intuitivo quando ne parliamo in termini umani, ma quando passiamo all'apprendimento automatico, la mentalità di tutti, che se ne rendano conto o no, è 'tiriamo le palle veloci al sistema, '", ha detto Mark Hammond, Direttore generale Microsoft per l'intelligenza artificiale aziendale. "L'insegnamento automatico è un insieme di strumenti che ti aiuta a smettere di farlo."

L'insegnamento automatico cerca di acquisire conoscenze dalle persone piuttosto che estrarre conoscenze dai soli dati. Una persona che comprende il compito da svolgere, se decidere quale reparto di un'azienda deve ricevere un'e-mail in arrivo o come posizionare automaticamente le turbine eoliche per generare più energia, scomporrebbe prima il problema in parti più piccole. Quindi fornirebbero un numero limitato di esempi, o l'equivalente dei piani di lezione, per aiutare gli algoritmi di apprendimento automatico a risolverlo.

Negli scenari di apprendimento supervisionato, l'insegnamento automatico è particolarmente utile quando esistono pochi o nessun dato di addestramento etichettato per gli algoritmi di apprendimento automatico perché le esigenze di un settore o di un'azienda sono così specifiche.

In scenari di apprendimento per rinforzo difficili e ambigui, in cui gli algoritmi hanno difficoltà a capire quale delle milioni di possibili azioni dovrebbe intraprendere per padroneggiare le attività nel mondo fisico, l'insegnamento automatico può ridurre drasticamente il tempo necessario a un agente intelligente per trovare la soluzione.

Fa anche parte di un obiettivo più ampio consentire a una fascia più ampia di persone di utilizzare l'intelligenza artificiale in modi più sofisticati. L'insegnamento automatico consente agli sviluppatori o agli esperti in materia con poca esperienza di intelligenza artificiale, come avvocati, ragionieri, ingegneri, infermieri o operatori di carrelli elevatori, impartire importanti concetti astratti a un sistema intelligente, che quindi esegue la meccanica di apprendimento automatico in background.

I ricercatori Microsoft hanno iniziato a esplorare i principi dell'insegnamento delle macchine quasi dieci anni fa, e questi concetti si stanno ora facendo strada nei prodotti che aiutano le aziende a creare qualsiasi cosa, dai robot intelligenti per il servizio clienti ai sistemi autonomi.

"Anche l'IA più intelligente farà fatica da sola a imparare come svolgere alcuni dei compiti profondamente complessi che sono comuni nel mondo reale. Quindi è necessario un approccio come questo, con persone che guidano i sistemi di intelligenza artificiale per apprendere le cose che già sappiamo, " disse Gurdeep Pall, Vicepresidente aziendale Microsoft per l'intelligenza artificiale aziendale. "Prendere questa IA chiavi in ​​mano e farla usare a non esperti per svolgere compiti molto più complessi è davvero il punto debole per l'insegnamento delle macchine".

Oggi, se stiamo cercando di insegnare a un algoritmo di apprendimento automatico che cos'è una tabella, potremmo facilmente trovare un set di dati con immagini di tabelle, sedie e lampade che sono state meticolosamente etichettate. Dopo aver esposto l'algoritmo a innumerevoli esempi etichettati, impara a riconoscere le caratteristiche di una tabella.

Ma se dovessi insegnare a una persona a riconoscere un tavolo, probabilmente inizieresti spiegando che ha quattro gambe e una parte superiore piatta. Se hai visto anche la persona che mette le sedie in quella categoria, spiegheresti ulteriormente che una sedia ha uno schienale e un tavolo no. Queste astrazioni e cicli di feedback sono la chiave per il modo in cui le persone apprendono, e possono anche aumentare gli approcci tradizionali all'apprendimento automatico.

"Se puoi insegnare qualcosa a un'altra persona, dovresti essere in grado di insegnarlo a una macchina usando un linguaggio molto simile a come apprendono gli umani, " disse Patrice Simard, Illustre ingegnere Microsoft che ha aperto la strada al lavoro di insegnamento delle macchine dell'azienda per Microsoft Research. Questo mese, il suo team passa al gruppo Esperienze e dispositivi per continuare questo lavoro e integrare ulteriormente l'insegnamento automatico con le offerte di intelligenza artificiale conversazionale.

Milioni di potenziali utenti AI

Simard ha iniziato a pensare a un nuovo paradigma per la creazione di sistemi di intelligenza artificiale quando ha notato che quasi tutti gli articoli alle conferenze sull'apprendimento automatico si concentravano sul miglioramento delle prestazioni degli algoritmi su benchmark attentamente curati. Ma nel mondo reale, si è reso conto, l'insegnamento è una componente ugualmente o probabilmente più importante dell'apprendimento, soprattutto per compiti semplici in cui sono disponibili dati limitati.

Se volessi insegnare a un sistema di intelligenza artificiale come scegliere l'auto migliore, ma avevi solo alcuni esempi etichettati come "buono" e "cattivo, " potrebbe dedurre da queste informazioni limitate che una caratteristica distintiva di una buona macchina è che il quarto numero della sua targa è un "2". chilometraggio, valutazioni di sicurezza, risultati dei crash test, prezzo:consente agli algoritmi di riconoscere correttamente le auto buone e quelle cattive, nonostante la disponibilità limitata di esempi etichettati.

Negli scenari di apprendimento supervisionato, l'insegnamento automatico migliora i modelli identificando queste caratteristiche significative di alto livello. Come nella programmazione, l'arte dell'insegnamento automatico implica anche la scomposizione dei compiti in compiti più semplici. Se le caratteristiche necessarie non esistono, possono essere creati utilizzando sottomodelli che utilizzano funzionalità di livello inferiore e sono abbastanza semplici da essere appresi da alcuni esempi. Se il sistema commette costantemente lo stesso errore, gli errori possono essere eliminati aggiungendo funzionalità o esempi.

Uno dei primi prodotti Microsoft a utilizzare concetti di insegnamento automatico è Language Understanding, uno strumento in Servizi cognitivi di Azure che identifica l'intento e i concetti chiave da un breve testo. È stato utilizzato da aziende che vanno da UPS e Progressive Insurance a Telefonica per sviluppare robot intelligenti per il servizio clienti.

"Per sapere se un cliente ha una domanda sulla fatturazione o su un piano di servizio, non devi darci ogni esempio della domanda. Puoi fornire quattro o cinque, insieme alle caratteristiche e alle parole chiave che sono importanti in quel dominio, e Language Understanding si occupa dei macchinari in background, " ha detto Riham Mansour, principale responsabile dell'ingegneria del software responsabile della comprensione del linguaggio.

I ricercatori Microsoft stanno esplorando come applicare i concetti di insegnamento della macchina a problemi più complicati, come classificare documenti più lunghi, e-mail e persino immagini. Stanno anche lavorando per rendere il processo di insegnamento più intuitivo, come suggerire agli utenti quali funzionalità potrebbero essere importanti per risolvere il compito.

Immagina che un'azienda voglia utilizzare l'intelligenza artificiale per scansionare tutti i suoi documenti ed e-mail dell'ultimo anno per scoprire quanti preventivi sono stati inviati e quanti di questi hanno portato a una vendita, disse Alicia Edelman Pelton, principale program manager per il Microsoft Machine Teaching Group.

Come primo passo, il sistema deve sapere come identificare un preventivo da un contratto o da una fattura. spesso, non esistono dati di allenamento etichettati per quel tipo di attività, soprattutto se ogni venditore dell'azienda lo gestisce in modo leggermente diverso.

Se il sistema utilizzava le tradizionali tecniche di apprendimento automatico, l'azienda avrebbe bisogno di esternalizzare tale processo, inviare migliaia di documenti campione e istruzioni dettagliate in modo che un esercito di persone possa tentare di etichettarli correttamente, un processo che può richiedere mesi di avanti e indietro per eliminare gli errori e trovare tutti gli esempi pertinenti. Avranno anche bisogno di un esperto di machine learning, chi sarà molto richiesto, per costruire il modello di apprendimento automatico. E se nuovi venditori iniziano a utilizzare formati diversi su cui il sistema non è stato addestrato, il modello si confonde e smette di funzionare bene.

Al contrario, Pelton ha detto, L'approccio di insegnamento automatico di Microsoft utilizzerebbe una persona all'interno dell'azienda per identificare le caratteristiche e le strutture distintive che si trovano comunemente in un preventivo:qualcosa inviato da un venditore, il nome di un cliente esterno, parole come "preventivo" o "data di consegna, " "Prodotto, " "quantità, " o "termini di pagamento".

Tradurrebbe l'esperienza di quella persona in un linguaggio che una macchina può comprendere e utilizzare un algoritmo di apprendimento automatico che è stato preselezionato per eseguire quell'attività. Ciò può aiutare i clienti a creare soluzioni AI personalizzate in una frazione del tempo utilizzando le competenze già esistenti all'interno della loro organizzazione, ha detto Pelton.

Pelton ha notato che ci sono innumerevoli persone nel mondo "che comprendono le loro attività e possono descrivere i concetti importanti—un avvocato che dice, 'Oh, Conosco l'aspetto di un contratto e so che aspetto ha una convocazione e posso darti gli indizi per capire la differenza.'"

Rendere i problemi difficili veramente risolvibili

Più di un decennio fa, Hammond lavorava come programmatore di sistemi in un laboratorio di neuroscienze di Yale e ha notato come gli scienziati utilizzassero un approccio graduale per addestrare gli animali a svolgere compiti per i loro studi. Ha avuto un'illuminazione simile nel prendere in prestito quelle lezioni per insegnare alle macchine.

Che alla fine lo ha portato a fondare Bonsai, che è stata acquisita da Microsoft lo scorso anno. Combina l'insegnamento automatico con l'apprendimento e la simulazione di rinforzo profondo per aiutare le aziende a sviluppare "cervelli" che eseguono sistemi autonomi in applicazioni che vanno dalla robotica e dalla produzione all'energia e alla gestione degli edifici. La piattaforma utilizza un linguaggio di programmazione chiamato Inkling per aiutare gli sviluppatori e persino gli esperti in materia a scomporre i problemi e scrivere programmi di intelligenza artificiale.

Apprendimento per rinforzo profondo, una branca dell'intelligenza artificiale in cui gli algoritmi imparano per tentativi ed errori basati su un sistema di ricompense, ha superato con successo le persone nei videogiochi. Ma quei modelli hanno faticato a padroneggiare compiti industriali più complicati del mondo reale, Ha detto Hammond.

L'aggiunta di un livello di insegnamento automatico o l'infusione delle competenze specifiche di un'organizzazione in materia direttamente in un modello di apprendimento per rinforzo profondo può ridurre drasticamente il tempo necessario per trovare soluzioni a questi problemi del mondo reale profondamente complessi, Ha detto Hammond.

Ad esempio, immagina che un'azienda manifatturiera voglia addestrare un agente di intelligenza artificiale per calibrare autonomamente un pezzo critico di attrezzatura che può essere scartato a causa di fluttuazioni di temperatura o umidità o dopo che è stato utilizzato per un po' di tempo. Una persona userebbe il linguaggio Inkling per creare un "piano di lezione" che delinea le informazioni rilevanti per eseguire l'attività e per monitorare se il sistema sta funzionando bene.

Armato di queste informazioni dal suo componente di insegnamento della macchina, il sistema Bonsai selezionerebbe il miglior modello di apprendimento per rinforzo e creerebbe un "cervello" AI per ridurre i costosi tempi di inattività calibrando autonomamente l'attrezzatura. Testerebbe diverse azioni in un ambiente simulato e verrebbe ricompensato o penalizzato a seconda della velocità e della precisione con cui esegue la calibrazione.

Dire al cervello dell'intelligenza artificiale su cosa è importante concentrarsi all'inizio può cortocircuitare molte esplorazioni inutili e dispendiose in termini di tempo mentre cerca di apprendere nella simulazione cosa funziona e cosa non funziona, Ha detto Hammond.

"Il motivo per cui l'insegnamento automatico si dimostra fondamentale è che se si utilizza l'apprendimento per rinforzo in modo ingenuo e non si fornisce alcuna informazione su come risolvere il problema, esplorerà in modo casuale e forse, si spera, ma spesso non mai, troverà una soluzione che funzioni, "Ha detto Hammond. "Rende i problemi veramente risolvibili, mentre senza l'insegnamento della macchina non lo sono".