Rachel Thomas über KI zugänglich machen

Wie schnell.ai das Lernen von tiefem Lernen durch KI stört

Quelle: C. Rosso

Künstliche Intelligenz (KI) hat sich aus einem tiefen Winter relativer Ruheperiode seit sechzig Jahren zu einer Renaissance in vollem Gange entwickelt – hauptsächlich aufgrund von Fortschritten im tiefen Lernen. Das tiefe Lernen, das lose auf dem menschlichen Gehirn basiert, ist eine maschinelle Lernmethode, bei der Schichten künstlicher Neuronen (ein künstliches neuronales Netzwerk) verwendet werden, die keine explizite Programmierung erfordern, um aus einer großen Menge an Big Data-Eingaben zu “lernen”. Es gibt einen Einstellungsboom für Fachleute in der künstlichen Intelligenz (KI). Laut Stanfords The AI ​​Index ist der Anteil der Arbeitsplätze, für die KI-Kenntnisse erforderlich sind, in den USA im Zeitraum 2013-2017 um das 4,5-Fache gestiegen. Um dieser wachsenden Nachfrage gerecht zu werden, verfolgt ein Unternehmen einen innovativen Ansatz. Auf der Exponential Medicine Konferenz in dieser Woche präsentierte Rachel Thomas, Mitbegründerin von fast.ai, eine neuartige Möglichkeit, die KI für eine breite Palette von Menschen aus allen Bereichen zugänglich zu machen, nicht nur aus den Eliteeinrichtungen – und störte damit das Lernen von AI tiefes Lernen.

Rachel Thomas ist eine von Forbes „20 Incredible Women in AI“, TEDx-Sprecherin in San Francisco, Professorin an der Universität von San Francisco (USF), Fakultätsmitglied von Exponential Medicine, ein populärer Schriftsteller und einflussreicher Keynote-Sprecher. Sie hat ihren Ph.D. in Mathe von der Duke University und war einer der frühen Ingenieure bei Uber, neben anderen Startup-Unternehmen. Im Jahr 2016 gründete Thomas fast.ai gemeinsam mit dem Serienunternehmer Jeremy Howard mit dem strategischen Ziel, tiefgreifendes Lernen zu ermöglichen.

• Polarisierungsthemen: 13 Tipps für schwierige Diskussionen
• 3 unerwartete Geschenke von Freunden mit dem Tod
• Geknackt
• Die Erkenntnisse kommen! Die Erkenntnisse kommen!
• Depressionen unter Männern: Es ist Zeit, das Stigma zu beseitigen

„Als wir den Kurs erstellten, wünschte ich mir, dass ich vor fünf Jahren bestanden hätte, als ich mich zuerst für tiefes Lernen interessierte“, sagte Thomas.

Traditionell gibt es viele Hindernisse für Codierer, um ausreichend tiefe Lernfähigkeiten zu erwerben, um Algorithmen auf dem neuesten Stand der Technik zu entwickeln, die Probleme der realen Welt lösen. Viele bestehende Institutionen erfordern einen mathematischen Hintergrund oder einen Doktortitel. als eine Anforderung, die es Jahre dauern kann, um zu erhalten. Wenn die Schüler schließlich einen Arbeitsalgorithmus erstellen, ist dieser normalerweise ohne reale Anwendung hypothetisch.

„Ich denke, viele Kurse sind entweder ziemlich theoretisch und das macht Sinn… tiefes Lernen wächst aus einem theoretischen Feld heraus“, sagte sie.

• Tech ist wie Sex: Enthaltsamkeit ist nicht die Antwort
• Massenaufnahmen und was Sie dagegen tun können
• Liebe und Schuld
• Wir lehnen die Hochschulbildung zu unserem eigenen Nachteil ab
• Warum Sie wählen sollten

Die Gründer von fast.ai hatten eine Lücke in der technologischen Ausbildung erkannt und einen Weg gefunden, sie zu modernisieren. Der traditionelle Ansatz, um tiefes Lernen zu vermitteln, ist normalerweise ein langer, langsamer Prozess, der auf detaillierter technischer Ebene beginnt – ein Bottom-up-Ansatz.

“Wir wollten etwas Praktischeres und Hand in Hand”, sagte Thomas, “Ich wollte das wirklich für mehr Menschen zugänglich machen und es Menschen aller Herkunft und Domänen erleichtern, sich auf diesem Gebiet zu engagieren.”

„Ich interessiere mich viel mehr für die Lösung der Probleme, die die Menschen haben – sei es in der Landwirtschaft, in der Medizin oder im verarbeitenden Gewerbe“, sagte Thomas.

Die Methodik ihres Unternehmens ist ein Top-Down-Ansatz, genau das Gegenteil von traditionellen Lehrmethoden für das Tiefenlernen. Mit einer Open-Source-Bibliothek mit einsatzbereiten Anwendungen und Modellen, an deren Erstellung Thomas mitgearbeitet hat, können Schüler schnell tiefgreifende Algorithmen entwickeln.

“Wir möchten, dass die Menschen sofort neuronale Netze trainieren, auch wenn die Komponenten die zugrunde liegenden Komponenten nicht kennen”, sagte Thomas.

Innerhalb kürzester Zeit können fast.ai-Studenten schnell leistungsfähige State-of-the-Art-Deep-Learning-Algorithmen erstellen, ohne fortgeschrittene mathematische Voraussetzungen zu haben.

“Im Laufe der Zeit werden wir uns mit den Details befassen, und wenn Sie den gesamten Kurs absolvieren, werden Sie ein Verständnis auf niedriger Ebene bekommen, aber es ist nur völlig anders in der Reihenfolge”, sagte Thomas.

„In meinem Hintergrund habe ich einen Doktortitel. In Mathematik, als Software-Ingenieur und als Datenwissenschaftler gearbeitet, konnte ich sehen, wie leistungsfähig diese Technologie ist und dass wir gerade am Rande sind “, sagte Thomas.

Als aktuelles Research-in-Residence am Data Institute der University of San Francisco (USF) konzentriert sich Thomas vor allem auf die Leistungsfähigkeit von Deep-Learning-Algorithmen.

Thomas sagte: „Mein Hauptinteresse ist:‚ Funktionieren diese Algorithmen? Lösen sie interessante Probleme und liefern genaue Ergebnisse? ‘

Laut Thomas besteht die langfristige Vision von fast.ai darin, die Nutzung der Technologie für tiefgreifende Lernprozesse zu vereinfachen, um noch bessere Ergebnisse zu erzielen. Das bedeutet, dass der Inhalt der fast.ai-Open-Source-Bibliothek erweitert wird.

In weniger als zwei Jahren nach der Gründung von fast.ai haben über 200.000 Studenten ihren Online-Kurs absolviert, und mehrere Hundert weitere haben den persönlichen Lehrplan besucht. Fast.ai ebnet einen Weg, um den Codierern die Möglichkeit zu geben, sich in Wochen oder Jahren zu Experten für tiefes Lernen zu entwickeln – ein schneller, praktischer Ansatz zur Lösung von Problemen in der realen Welt.

Copyright © 2018 Cami Rosso Alle Rechte vorbehalten.

Verweise

Shoham, Yoav; Perrault, Raymond; Brynjolfsson, Erik; Clark, Jack; LeGassick, Calvin. „Jahresbericht zum künstlichen Intelligenz-Index 2017“. Der AI-Index. Abgerufen 11-8-2018 von http://cdn.aiindex.org/2017-report.pdf