Neue Art von KI – Erweitete zufällige Suche
Kürzlich wurde unter KI-Forschern über etwas Phänomenales gesprochen. Eine neue Art von KI wurde erfunden! Der Algorithmus ist so einfach, dass Sie zur Implementierung…
Kürzlich wurde unter KI-Forschern über etwas Phänomenales gesprochen. Eine neue Art von KI wurde erfunden!
Der Algorithmus ist so einfach, dass Sie zur Implementierung kein kompliziertes Framework wie TensorFlow benötigen, sondern ihn in ein paar Dutzend Zeilen direkt in Python oder einer Ihnen vertrauten Sprache ausprobieren können. Faszinierend ist, dass er 100x schneller und effizienter ist als klassische Algorithmen wie tiefes oder verstärktes Lernen. Was ist das für ein Algorithmus, der in Benchmark-Tests die leistungsstärksten Algorithmen aus den Werkstätten von Google und Facebook schlägt? Ist das wirklich wahr oder nur eine aufgeblähte Blase?
Der Algorithmus heißt ARS – Augmented Random Search, also Erweiterte zufällige Suche. Obwohl die erstaunlichen Ergebnisse dieses Tests erst in der Forschung veröffentlicht wurden, die am 19.3.2018 erschien, glaube ich, dass es sich um denselben Algorithmus handelt, der bereits seit 2017 als Algorithmus für evolutionäre Strategien bekannt ist. Es zeigt sich, dass seine Stärke insbesondere in Aufgaben liegt, bei denen Sie dem KI-Modell eine Figur mit ein paar virtuellen Muskeln geben und die KI versucht herauszufinden, wie die virtuelle Kreatur in Bewegung gesetzt werden kann, um so schnell wie möglich von Punkt A nach Punkt B zu gelangen. Hier erzielt ARS tatsächlich interessante Ergebnisse.
Wie unterscheidet sich ARS von klassischer KI? Vor allem in drei Punkten.
- ARS passt die Gewichte an den Neuronen nicht nach jeder Aktion an, wie es beim verstärkten Lernen der Fall ist, sondern erst am Ende jeder Episode.
- ARS verwendet zur Aktualisierung der Gewichte nicht den klassischen Gradientenabstiegsalgorithmus, sondern eine eigene, sehr rechnerisch einfache Berechnung (basierend auf dem Addieren und Subtrahieren von Zufallszahlen).
- ARS verwendet keine tiefe Netzwerkarchitektur (wie beim Deep Learning), sondern nur einen sehr primitiven einlagigen Perzeptron.
Basierend auf diesen Vergleichen denke ich, dass die Stärke von ARS die Geschwindigkeit und Einfachheit sein wird, jedoch erkauft mit einer geringeren Universalität und Intelligenz.
Berühmte Forschung: https://arxiv.org/pdf/1803.07055.pdf
Ältere Forschung: https://arxiv.org/pdf/1703.03864.pdf
Kurs, in dem es einfach erklärt wird: https://www.udemy.com/artificial-intelligence-ars/
Video: https://www.youtube.com/watch?v=YC-Ll76BpM8
Původní zdroj: wordpress