Машинное обучение с помощью Microsoft Project Bonsai

Саймон Биссон, обозреватель InfoWorld |

Поскольку машинное обучение (МО) лежит в основе большей части современных вычислений, возникает интересный вопрос: как машины учатся? В машинном обучении много глубокой компьютерной науки, создания моделей, использующих методы обратной связи для улучшения, и обучения на огромных 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 работы с данными?

Не все, чем мы хотим управлять с помощью машинного обучения, генерирует огромные объемы больших данных или имеет необходимую маркировку, 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 оснащен инструментами, или работаем в области, где вмешательство человека имеет решающее значение. В других случаях мы можем пытаться защитить систему машинного обучения от состязательных атак, находя способы обойти зараженные данные. Именно здесь на помощь приходит машинное обучение, направляющее алгоритмы машинного обучения к цели и работающее с экспертами.

Microsoft уже некоторое время находится в авангарде исследований в области искусственного интеллекта, и полученные в результате API 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 предложение Microsoft, поскольку ее инструмент разработки Project Bonsai с низким кодом предлагает простой способ использования машинного обучения для стимулирования разработки машинного обучения для промышленного искусственного интеллекта.

Project Bonsai, поставляемый как часть пакета автономных систем Microsoft, представляет собой инструмент для создания и обучения моделей машинного обучения, использующий симулятор с человеческим вводом, позволяющий экспертам создавать модели без необходимости опыта программирования или машинного обучения. Он также служит инструментом для создания объяснимого ИИ, поскольку этап машинного обучения показывает, как базовая система МО пришла к решению.

В основе Project Bonsai лежит концепция тренировочной симуляции. Они реализуют реальную систему, которой вы хотите управлять с помощью приложения машинного обучения, поэтому вам необходимо построить ее с использованием знакомого программного обеспечения для инженерного моделирования, такого как MATLAB Simulink, или специального кода, работающего в контейнере. Если вы уже используете симуляторы как часть среды разработки систем управления или в качестве средства обучения, их можно перепрофилировать для использования в Project Bonsai.

В этом случае полезным инструментом являются обучающие симуляторы с пользовательским интерфейсом, поскольку они могут фиксировать вводимые пользователем данные в рамках процесса обучения. Симуляторы должны четко давать понять, когда операция не удалась, почему она не удалась и как произошел сбой. Эту информацию можно использовать в качестве входных данных для инструмента обучения, помогая научить модель тому, где могут возникать ошибки, и позволяя ей находить признаки возникновения ошибки. Например, симулятор, используемый для обучения модели Project Bonsai управлению системой багажа в аэропорту, может показать, как слишком быстрая работа конвейеров приведет к падению багажа, а слишком медленная работа может вызвать узкие места. Затем система учится находить оптимальную скорость для максимальной пропускной способности мешков.

Существует тесная связь между проектом «Бонсай» и системами управления, особенно теми, которые используют преимущества современной теории управления для управления системами в определенных границах. Чтобы хорошо работать с моделями машинного обучения, симулятор должен дать хорошее представление о том, как моделируемый объект или служба реагирует на входные данные и предоставляет соответствующие выходные данные. Вам необходимо иметь возможность установить определенное начальное состояние, позволяющее симулятору и модели машинного обучения адаптироваться к меняющимся условиям. Входные данные необходимо оценить количественно, чтобы ваша система машинного обучения могла вносить дискретные изменения в симулятор, например, ускоряя нашу симулируемую систему багажа на 1 м/с.