Avec l’apprentissage automatique (ML) au cœur d’une grande partie de l’informatique contemporaine, la question intéressante est: comment les machines le découvrent-elles? Il y a beaucoup de technologie informatique profonde dans l’apprentissage automatique, produisant des modèles qui utilisent des techniques de rétroaction pour s’améliorer et s’entraînant sur d’énormes ensembles d’informations pour construire des modèles qui peuvent utiliser des stratégies statistiques pour déduire des résultats. Cependant, que se passe-t-il lorsque vous ne disposez pas des données pour développer un modèle utilisant ces stratégies? Ou lorsque vous n’avez pas les capacités de science des données facilement disponibles?
Tout ce que nous souhaitons gérer avec l’intelligence artificielle ne produit pas de grandes quantités de données énormes ou n’a pas l’étiquetage nécessaire pour rendre ces données bénéfiques. Souvent, nous pourrions ne pas disposer des ensembles de données historiques nécessaires. Peut-être que nous automatisons un processus d’entreprise qui n’a jamais été instrumenté ou que nous travaillons dans un domaine où l’intervention humaine est vitale. Dans d’autres cas, nous pourrions tenter de défendre un système d’apprentissage automatique contre les attaques adverses, en trouvant des moyens de contourner les informations empoisonnées. C’est là que se trouve le maker mentor, guidant les algorithmes d’intelligence artificielle vers une cible et traitant avec des professionnels.
De même sur L’Entrepreneur: 8 bases de données prenant en charge la découverte de machines en base de données]
Présentation du projet Bonsai
Microsoft est en fait à la pointe de la recherche sur l’IA depuis longtemps, et les API de service cognitif qui en résultent sont intégrées à la plate-forme Azure. Il utilise désormais des outils pour développer et entraîner vos propres modèles en utilisant de grandes informations conservées dans Azure. Néanmoins, ces plates-formes et outils traditionnels de découverte de machines ne sont pas la seule offre de Microsoft, car son outil de développement low-code Task Bonsai utilise une méthode simple d’utilisation du mentor d’appareil pour stimuler l’avancement du ML pour l’IA industrielle.
Livré Dans le cadre de la suite Autonomous Systems de Microsoft, Job Bonsai est un outil permettant aux machines de structurer et de former des conceptions, utilisant un simulateur avec une contribution humaine pour permettre aux professionnels de créer des modèles sans avoir besoin d’une expérience en programmation ou en intelligence artificielle. Il fonctionne comme un outil pour fournir une IA explicable, car la phase de mentor du fabricant du processus montre comment le système de ML sous-jacent en est venu à une décision.
Construire l’enseignement de l’appareil avec des simulateurs
Le cœur de Job Bonsai est le concept de la simulation de formation. Ceux-ci exécutent un système réel que vous souhaitez gérer avec votre application de découverte de fabricant, et vous devez donc le développer à l’aide d’un logiciel de simulation d’ingénierie familier, tel que Simulink de MATLAB ou du code personnalisé s’exécutant dans un conteneur. Si vous utilisez déjà des simulateurs dans le cadre d’un environnement de développement de système de contrôle ou comme outil de formation, ceux-ci peuvent être réutilisés pour une utilisation avec Job Bonsai.
Les simulateurs de formation dotés d’une interface sont ici un outil utile, car ils peuvent capturer les entrées de l’utilisateur dans le cadre de la procédure de formation. Les simulateurs doivent indiquer très clairement quand une opération a réellement échoué, pourquoi elle a échoué et comment l’échec s’est produit. Ces détails peuvent être utilisés comme entrées dans l’outil de formation, aidant à enseigner au modèle où des erreurs peuvent se produire et lui permettant de trouver des signes d’erreur. Un simulateur utilisé pour former un projet Project Bonsai pour gérer un système de bagages de voyage d’aéroport pourrait indiquer comment des convoyeurs en cours d’exécution trop rapides déclencheront la chute des bagages, et une course trop lente peut déclencher des embouteillages. Le système apprend alors à trouver une vitesse maximale pour un débit maximal de sacs.
Modèle Job Bonsai ML dans le moteur d’entraînement. Microsoft appelle ces modèles des «cerveaux», car ils sont basés sur des réseaux neuronaux. Il y a 4 modules: un concepteur, un instructeur, un apprenant et un prédicteur. L’architecte utilise le programme de formation pour choisir et optimiser un algorithme d’apprentissage (actuellement en utilisant parmi 3 alternatives différentes: réseau Deep Q distribué, optimisation de politique proximale ou critique d’acteur souple).
Une fois que le concepteur a sélectionné une connaissance modèle, l’instructeur passe par la stratégie de formation, conduisant le simulateur de manière interactive et réagissant aux résultats de l’étudiant. Vous pouvez peut-être penser au formateur et à l’apprenant comme une paire, l’étudiant étant là où le modèle ML est formé en utilisant l’algorithme sélectionné et en utilisant les données du simulateur avec les entrées du formateur. Lorsque le processus de découverte est total, le système fournira un prédicteur, qui est un algorithme qualifié avec un point de terminaison d’API qui s’exécute comme un moteur d’inférence, au lieu de s’entraîner. Les sorties du prédicteur peuvent être comparées aux sorties de l’étudiant pour vérifier si les modifications améliorent le modèle.
Le mentor machine, du moins dans Project Bonsai, se concentre sur l’atteinte d’objectifs spécifiques. Vous pouvez les considérer comme les conditions de bordure d’un modèle de contrôle. Les objectifs facilement accessibles sont raisonnablement simples, par exemple fixer quelque chose à éviter ou fixer un objectif à atteindre le plus rapidement possible. D’autres objectifs consistent à fixer des valeurs maximales ou minimales et à maintenir un système près d’une valeur cible spécifique. Le moteur de formation fonctionnera pour soutenir autant d’objectifs que vous définissez dans votre programme de formation. Des objectifs comme ceux-ci rationalisent considérablement l’apprentissage automatique. Il n’est pas nécessaire de construire des algorithmes d’entraînement compliqués; tout ce qui est essentiel est de spécifier les cibles que votre modèle ML devra atteindre et Task Bonsai gère le reste pour vous.
La sortie de Job Bonsai est un modèle de détection de périphérique avec les points de terminaison nécessaires pour que votre code travail. Le modèle peut être mis à jour avec le temps, y compris de nouveaux objectifs et affiner la formation comme essentiel, en comparant les résultats prévus avec les opérations réelles.
un langage appelé Idea. C’est un langage spécifique au domaine qui prend des éléments nommés d’un simulateur, connectant des capteurs et des actionneurs. Notion utilise des unités de détection pour obtenir des états et des actionneurs pour conduire des actions, avec ce qu’elle appelle des «nœuds d’idées» pour décrire les objectifs. Il n’est pas difficile de découvrir Hint, et la plupart des spécialistes du sujet devraient être capables de rédiger un module de formation simple très rapidement. Des modèles plus complexes peuvent être créés en ajoutant plus de fonctions à une application Hint. Microsoft fournit une recommandation de langage Idea complète et doit vous aider à commencer à rédiger la formation Project Bonsai.
Project Bonsai fonctionne sur Azure et vous devrez planifier son budget pour ses opérations. Les modèles et les simulateurs sont stockés dans le registre Windows du conteneur Azure, à l’aide de conteneurs pour exécuter des simulations. Les journaux sont gérés à l’aide d’Azure Screen et le stockage Azure contient des simulateurs archivés. Les dépenses ne devraient pas être coûteuses, mais elles méritent d’être surveillées et d’éliminer les groupes de ressources indésirables dès que vous avez formé vos modèles.
L’enseignement de l’appareil fournit une méthode alternative à l’avancement du ML qui fonctionne bien avec les problèmes de contrôle, tels que travailler avec des équipements industriels. Il évite d’exiger de grandes quantités d’informations et, en utilisant des objectifs pour enseigner un design, il peut être formé par toute personne ayant une compréhension du problème et des compétences de base en matière de programmes. Ce n’est pas plutôt un système sans code, car la formation doit être composée en Inkling, et vous avez besoin d’un apport professionnel pour écrire et instrumenter un simulateur à exécuter dans l’environnement de formation Job Bonsai. Avec un programme de formation bien conçu et une simulation précise, vous devez avoir la capacité de construire ce qui était autrefois des conceptions de ML extrêmement compliquées remarquablement rapidement, en faisant passer l’apprentissage automatique des prédictions à la gestion.
.
Toute l’actualité en temps réel, est sur L’Entrepreneur
