Insegnamento automatico con Project Bonsai di Microsoft

Di Simon Bisson, editorialista, InfoWorld |

Con l’apprendimento automatico (ML) al centro di gran parte dell’informatica moderna, la domanda interessante è: come apprendono le macchine? C'è molta scienza informatica approfondita nell'apprendimento automatico, che produce modelli che utilizzano tecniche di feedback per migliorare e si addestra su enormi set di dati per costruire modelli che possono utilizzare tecniche statistiche per dedurre risultati. Ma cosa succede quando non si hanno i dati per costruire un modello utilizzando queste tecniche? O quando non hai a disposizione le competenze di data science?

Non tutto ciò che vogliamo gestire con l’apprendimento automatico genera grandi quantità di big data o ha l’etichettatura necessaria per rendere utili tali dati. In molti casi, potremmo non disporre dei set di dati storici necessari. Forse stiamo automatizzando un processo aziendale che non è mai stato strumentato o lavorando in un'area in cui l'intervento umano è fondamentale. In altri casi potremmo cercare di difendere un sistema di machine learning dagli attacchi avversari, trovando modi per aggirare i dati avvelenati. È qui che entra in gioco l’insegnamento automatico, guidando gli algoritmi di apprendimento automatico verso un obiettivo e lavorando con esperti.

Microsoft è da tempo in prima linea nella ricerca sull'intelligenza artificiale e le risultanti API dei servizi cognitivi sono integrate nella piattaforma di Azure. Ora offre strumenti per sviluppare e addestrare i propri modelli utilizzando i big data archiviati in Azure. Tuttavia, le piattaforme e gli strumenti tradizionali di machine learning non sono l’unica offerta di Microsoft, poiché il suo strumento di sviluppo low-code Project Bonsai offre un modo semplice di utilizzare l’insegnamento automatico per guidare lo sviluppo ML per l’intelligenza artificiale industriale.

Fornito come parte della suite Autonomous Systems di Microsoft, Project Bonsai è uno strumento per la creazione e l'addestramento di modelli di machine learning, utilizzando un simulatore con input umano per consentire agli esperti di creare modelli senza bisogno di programmazione o esperienza di machine learning. Funziona anche come strumento per fornire un'intelligenza artificiale spiegabile, poiché la fase di insegnamento automatico del processo mostra come il sistema ML sottostante è giunto a una decisione.

Al centro del Progetto Bonsai c'è il concetto di simulazione dell'addestramento. Questi implementano un sistema reale che desideri controllare con la tua applicazione di machine learning e quindi devi costruire utilizzando un software di simulazione ingegneristica familiare, come Simulink di MATLAB o codice personalizzato in esecuzione in un contenitore. Se stai già utilizzando i simulatori come parte di un ambiente di sviluppo del sistema di controllo o come strumento di formazione, questi possono essere riutilizzati per l'utilizzo con Project Bonsai.

I simulatori di formazione dotati di un'interfaccia utente sono uno strumento utile in questo caso, poiché possono acquisire l'input dell'utente come parte del processo di formazione. I simulatori devono rendere molto chiaro quando un'operazione non è riuscita, perché è fallita e come si è verificato l'errore. Queste informazioni possono essere utilizzate come input per lo strumento di formazione, aiutando a insegnare al modello dove possono verificarsi errori e consentendogli di individuare i segni del verificarsi dell'errore. Ad esempio, un simulatore utilizzato per addestrare un modello di Project Bonsai a controllare un sistema di bagagli in aeroporto potrebbe indicare come i trasportatori che corrono troppo velocemente causeranno la caduta dei bagagli, mentre che corrono troppo lentamente possono causare colli di bottiglia. Il sistema impara quindi a trovare la velocità ottimale per la massima produttività dei sacchi.

Esiste uno stretto legame tra Project Bonsai e i sistemi di controllo, in particolare quelli che sfruttano la moderna teoria del controllo per gestire i sistemi entro una serie di confini. Per funzionare bene con i modelli ML, un simulatore deve fornire una buona immagine di come l'oggetto o il servizio simulato risponde agli input e fornisce output appropriati. È necessario essere in grado di impostare uno stato iniziale specifico, consentendo al simulatore e al modello ML di adattarsi alle mutevoli condizioni. Gli input devono essere quantificati in modo che il tuo sistema ML possa apportare modifiche discrete al simulatore, ad esempio, accelerando il nostro sistema di bagaglio simulato di 1 m/s.