Поскольку машинное обучение (ML) лежит в основе большинства современных вычислений, возникает интересный вопрос: Как машины учатся? В машинном обучении много глубокой информатики, где создаются модели, использующие методы обратной связи для улучшения, и обучение на массивных наборах данных для построения моделей, которые могут использовать статистические методы для вывода результатов. Но что произойдет, если у вас нет данных для построения модели с использованием этих методов? Или когда у вас нет навыков в области науки о данных?

Не все, чем мы хотим управлять с помощью машинного обучения, генерирует огромные объемы больших данных или имеет маркировку, необходимую для того, чтобы сделать эти данные полезными. Во многих случаях у нас может не быть необходимых наборов исторических данных. Возможно, мы автоматизируем бизнес-процесс, который никогда не был инструментирован, или работаем в области, где вмешательство человека имеет решающее значение. В других случаях мы могли бы попытаться защитить систему машинного обучения от враждебных атак, ища способы обойти отравленные данные. Здесь на помощь приходит машинное обучение, направляя алгоритмы машинного обучения к цели и работая с экспертами.

Представляем Project Bonsai

В течение некоторого времени Microsoft была в авангарде исследований ИИ, и полученные в результате API-интерфейсы Cognitive Service встроены в платформу Azure. Теперь он предлагает инструменты для разработки и обучения ваших собственных моделей с использованием больших данных, хранящихся в Azure. Однако эти традиционные платформы и инструменты машинного обучения – не единственное, что предлагает Microsoft, поскольку ее Инструмент разработки с низким уровнем кода Project Bonsai предлагает простой способ использования машинного обучения для управления разработкой машинного обучения для промышленного ИИ.

Поставляется как часть пакета Microsoft Autonomous Systems, Project Bonsai – это инструмент для создания и обучения моделей машинного обучения., используя симулятор с человеческим вводом, который позволяет экспертам создавать модели без необходимости программирования или машинного обучения. Он также служит инструментом для предоставления объяснимого ИИ, поскольку этап машинного обучения процесса показывает, как лежащая в основе система машинного обучения пришла к решению.

Обучение машиностроению на тренажерах

В сердце Project Bonsai – это концепция обучающего симулятора.. Они реализуют реальную систему, которой вы хотите управлять с помощью своего приложения машинного обучения, и поэтому вам необходимо построить с использованием знакомого программного обеспечения для инженерного моделирования, такого как Simulink от MATLAB или пользовательского кода, работающего в контейнере. Если вы уже используете симуляторы как часть среды разработки системы управления или в качестве обучающего инструмента, их можно перепрофилировать для использования с Project Bonsai.

Тренировочные симуляторы с пользовательским интерфейсом являются здесь полезным инструментом, поскольку они могут фиксировать ввод данных пользователем как часть процесса обучения. Симуляторы должны очень четко понимать, когда операция не удалась, почему она не удалась и как произошла ошибка. Эту информацию можно использовать в качестве входных данных для инструмента обучения, помогая обучить модель, где могут возникать ошибки, и позволяя ей находить признаки возникновения ошибки. Например, симулятор, используемый для обучения модели Project Bonsai управлению багажной системой аэропорта, может показать, как слишком быстрое движение конвейеров приведет к падению багажа, а слишком медленное движение может вызвать узкие места. Затем система учится находить оптимальную скорость для максимальной пропускной способности мешков.

Существует тесная связь между Project Bonsai и системами управления, особенно теми, которые используют преимущества современной теории управления для управления системами в определенных границах. Чтобы хорошо работать с моделями машинного обучения, имитатор должен давать хорошее представление о том, как моделируемый объект или услуга реагирует на входные данные и выдает соответствующие выходные данные. У вас должна быть возможность установить определенное начальное состояние, позволяющее симулятору и модели машинного обучения адаптироваться к меняющимся условиям. Входные данные должны быть количественно определены, чтобы ваша система машинного обучения могла вносить дискретные изменения в симулятор, например, ускоряя нашу имитируемую систему багажа на 1 м / с.

Получение правильного симулятора, вероятно, является самым сложным аспектом работы с Project Bonsai. Возможно, вам не понадобятся навыки работы с данными, но вам определенно понадобятся навыки моделирования. Рекомендуется работать с экспертами в предметной области, а также с экспертами по моделированию, чтобы создать симулятор и сделать его максимально точным. Симуляция, которая отличается от реальной системы, которой вы собираетесь управлять с помощью машинного обучения, приведет к плохо обученной модели.

Обучение модели в Project Bonsai

Как только у вас будет симуляция, вы можете начать обучать своему Модель Project Bonsai ML в тренировочном движке. Microsoft называет эти модели «мозгами», поскольку они основаны на нейронных сетях. Есть четыре модуля: архитектор, инструктор, ученик и предсказатель. Архитектор использует учебную программу для выбора и оптимизации алгоритма обучения (в настоящее время используется один из трех различных вариантов: распределенная сеть Deep Q, оптимизация проксимальной политики или Soft Actor Critic).

После того, как архитектор выбрал модель обучения, инструктор просматривает план обучения, интерактивно управляя симулятором и отвечая на результаты обучаемого. Возможно, вы можете думать об инструкторе и ученике как о паре, причем ученик – это ученик, в котором модель машинного обучения обучается с использованием выбранного алгоритма и данных из симулятора с вводом от инструктора. После завершения процесса обучения система предоставит предсказатель, который представляет собой обученный алгоритм с конечной точкой API, который работает как механизм вывода, а не обучение. Выходные данные предсказателя можно сравнить с выходными данными учащегося, чтобы проверить, улучшают ли изменения модель.

Машинное обучение, по крайней мере, в Project Bonsai, ориентирован на достижение конкретных целей. Вы можете думать об этом как о граничных условиях для модели управления. Доступные цели относительно просты, например, установить то, чего следует избегать, или установить цель, которую необходимо достичь как можно быстрее. Другие цели включают установку максимальных или минимальных значений и поддержание системы около определенного целевого значения. Учебный движок будет работать, чтобы поддерживать столько целей, сколько вы поставили в своей учебной программе. Подобные цели значительно упрощают машинное обучение. Нет необходимости создавать сложные алгоритмы обучения; все, что необходимо, – это определить цели, которых ваша модель машинного обучения должна будет достичь, а Project Bonsai сделает все остальное за вас.

Результатом Project Bonsai является модель машинного обучения с конечными точками, необходимыми для работы вашего кода. Модель можно обновлять с течением времени, добавляя новые цели и при необходимости уточняя обучение, сравнивая прогнозируемые результаты с фактическими операциями.

Inkling: язык обучения машинному обучению

Учебная программа написана на язык под названием инклинг. Это предметно-ориентированный язык который берет именованные объекты из симулятора, связывая датчики и исполнительные механизмы. Inkling использует датчики для получения состояний и исполнительные механизмы для управления действиями с так называемыми «концептуальными узлами» для описания целей. Выучить Inkling несложно, и большинство экспертов в данной области должны уметь очень быстро написать простой обучающий модуль. Более сложные модели можно построить, добавив больше функций в приложение Inkling. Microsoft предоставляет полный справочник по языку Inkling, который должен помочь вам приступить к написанию учебного курса Project Bonsai.

Project Bonsai работает в Azure, и вам потребуется бюджет для его работы. Модели и симуляторы хранятся в реестре контейнеров Azure с использованием контейнеров для запуска симуляций. Журналы управляются с помощью Azure Monitor, а в службе хранилища Azure хранятся заархивированные имитаторы. Затраты не должны быть слишком высокими, но стоит их отслеживать и удалять ненужные группы ресурсов после обучения своих моделей.

Машинное обучение обеспечивает альтернативный подход к разработке машинного обучения, который хорошо работает с проблемами управления, такими как работа с промышленным оборудованием. Он позволяет избежать необходимости в больших объемах данных, и, используя цели для обучения модели, ее может обучить любой, кто понимает проблему и обладает базовыми навыками программирования. Это не совсем система без кода, поскольку обучение должно быть написано на Inkling, и вам нужен экспертный вклад при написании и настройке симулятора для работы в среде обучения Project Bonsai. Благодаря хорошо продуманной учебной программе и точному моделированию вы сможете удивительно быстро строить то, что раньше было очень сложными моделями машинного обучения, переводя машинное обучение от прогнозов к управлению.

Авторские права © 2021 IDG Communications, Inc.


#Машинное #обучение #помощью #Microsoft #Project #Bonsai

Source link