Длинный мяч в бейсболе - прекрасная вещь. Зрители затаили дыхание, когда мяч изящно взмывает в небо, а затем устремляется к дальнему полю, преследуя игрока в униформе. Иногда он изящно укрывается в дупле протянутой перчатки. Когда это работает, это кажется простым действием, но достижение успеха задает захватывающий вопрос: как бейсбольные аутфилдеры идеально координируют свой бег, чтобы взять длинный мяч?
Ответ раскрывает кое-что о том, как работает наш мозг, и дает нам представление о будущем машинного обучения. В жизни способность выслеживать и ловить шары зависит от определенного уровня таланта и стремления со временем оттачивать этот навык. Но как инженерам разработать алгоритм для решения проблемы и, возможно, создать робота-ловца, который всегда знал бы, где находится мяч, на основе полученных данных?
Вероятно, они начали бы с изучения науки о шаре, летящем в гравитационном поле. Они будут смотреть на силу, приложенную при ударе по мячу летучей мышью (деревянной или металлической), потенциальные углы запуска и влияние силы тяжести, ветра и различных климатических условий на покрытую воловьей шкурой сферу определенного состава и веса в полете. с дополнительными баллами, начисленными за выполнение вычислительной гидродинамики, необходимой для учета эффектов воздушного потока над поверхностью мяча. Затем они могут сравнить эти данные с реальными сценариями с помощью анализа видеокадров. Исходя из этого, можно было рассчитать хорошую оценку того, что мяч будет делать в любом количестве условий из первых принципов. Программа будет создана и загружена в ловушку роботов, и машина может со временем точно настроить программу, поскольку она ловит и пропускает длинные летающие шары.
Это был бы очень сложный алгоритм для создания. Неудивительно, что это также полностью отличается от того, как бейсболист учится ловить мяч.
Истина для ловцов людей в том, что их мозг вырабатывает кратчайший путь к ответу. Если аутфилдер начинает бежать и позиционирует себя так, что кажется, что мяч движется по прямой линии, он перехватит мяч в нужной точке, чтобы поймать мяч. Никакой физики не требуется.
Мозг производит этот расчет без взаимодействия сознательного разума. Этот метод объясняет, почему аутфилдеры бегут по дуге, почему они не могут предсказать, приземлится ли мяч в пределах игрового поля (и почему они иногда в конечном итоге врезаются в стену!).
Итак, какое отношение это имеет к искусственному интеллекту (ИИ)?
Сценарий с длинным мячом демонстрирует, как совершенные обучающиеся машины (люди) решают сложные проблемы. Мы находим ярлыки путем проб и ошибок в нашем подсознании. Это наше «внутреннее чувство» - с возрастом мы учимся доверять своей интуиции, поскольку опыт подсказывает нам, что это правильно. Таким образом, наш мозг может оценивать огромные объемы данных, отбрасывать их большую часть и использовать только ту информацию, которая необходима для решения задачи.
По мере развития ИИ мы все чаще будем видеть инженеров, использующих мозговые методы для решения проблем. ML, подполе ИИ, которое дает системам возможность учиться на основе информации без явного программирования, позволяет обучаться более эмпирическим способом, принимая приближения и ярлыки, которые противоречат традиционным методам компьютерного программирования. Это позволит вычислительным системам работать чрезвычайно точно без необходимости проверять каждый фрагмент данных. Это то, что делают мозги бейсболистов, поскольку они исключают стадион, толпу, прожекторы, погодные условия и сосредотачиваются исключительно на том, летит ли мяч прямо в них или нет.
Эти принципы машинного обучения можно применять практически в любом приложении, и они вызовут сдвиг в мышлении и реализации базовой вычислительной технологии. Некоторые компании обсуждали, нужно ли такое индивидуальное решение, вместо этого они думают об использовании процессоров цифровых сигналов (DSP) или графических процессоров (GPU) в качестве основных решений. Система машинного обучения может состоять из ряда IP, но основные вычислительные задачи машинного обучения представляют собой проблемы, которые оптимально решаются с помощью специальной архитектуры, представленной Arm в Project Trillium.
Благодаря использованию процессоров машинного обучения для сбора данных с датчиков и приводов, центральный процессор системы освобождается для выполнения функций верхнего уровня - выбора, какие системы в каких ситуациях задействовать.
Сам Project Trillium обеспечивает бесшовную связь со всеми основными приложениями AI с любого оборудования на базе Arm. Он включает в себя все необходимое программное обеспечение и вычислительную библиотеку. Машинное обучение может применяться повсюду, от одного датчика до сервера, хотя вначале мы фокусируемся на мобильных вычислениях, поскольку именно там в основном находится текущая рабочая нагрузка. Фактически, возвращаясь снова к бейсболу, он дает полностью сформированному профессиональному игроку, способному поймать мяч в любых обстоятельствах.
С машинным обучением кэтчер не только будет знатоком бейсбола, но и сможет адаптироваться и отлично справится с крикетом, американским футболом, регби, баскетболом или чем-либо еще, что требует вычислений, как лучший способ поймать летающий мяч, выстрелить с крюка и прыгнуть вверх. и пас под или просверленный квотербек с 50 ярдов. ML - это универсальность, поскольку мы знаем, что это технология, которая однажды станет широко распространенной среди устройств. Это то, для чего специально создан Project Trillium, и делать это в больших масштабах.
Сноска:
Пример с бейсболистом был взят из академической статьи Ловля мячей в виртуальной реальности: критическое испытание задачи аутфилдера, опубликованной в Journal of Vision.
