By T. Mitchell, W. Cohen, E. Hruschka, P. Talukdar, B. Yang, J. Betteridge, A. Carlson, B. Dalvi, M. Gardner, B. Kisiel, J. Krishnamurthy, N. Lao, K. Mazaitis, T. Mohamed, N. Nakashole, E. Platanios, A. Ritter, M. Samadi, B. Settles, R. Wang, D. Wijaya, A. Gupta, X. Chen, A. Saparov, M. Greaves, and J. Wellin
Resumo
Enquanto as pessoas aprendem muitos tipos diferentes de conhecimento a partir de diversas experiências ao longo de muitos anos e se tornam melhores aprendizes com o tempo, a maioria dos sistemas de aprendizado de máquina atuais são muito mais restritos, aprendendo apenas uma única função ou modelo de dados com base na análise estatística de um único dado definido. Sugerimos que as pessoas aprendem melhor do que os computadores precisamente por causa dessa diferença, e sugerimos que uma direção fundamental para a pesquisa de aprendizado de máquina é desenvolver arquiteturas de software que permitam que agentes inteligentes também aprendam muitos tipos de conhecimento, continuamente ao longo de muitos anos, e para tornarem-se melhores alunos com o tempo. Neste artigo, definimos com mais precisão esse paradigma de aprendizagem sem fim para o aprendizado de máquina e apresentamos um estudo de caso: o Aprendiz de Língua Interminável (NELL), que alcança uma série de propriedades desejadas de um aprendiz interminável . NELL está aprendendo a ler a Web 24 horas por dia desde janeiro de 2010 e, até agora, adquiriu uma base de conhecimento com 120 milhões de crenças diversas e de confiança (por exemplo, “servido com” (chá, biscoitos)), enquanto aprende milhares de funções inter-relacionadas que continuamente melhoram sua competência de leitura ao longo do tempo. A NELL também aprendeu a raciocinar sobre sua base de conhecimento para inferir novas crenças que ainda não leu, daquelas que já leu, e a NELL está inventando novos predicados relacionais para estender a ontologia que usa para representar as crenças. Descrevemos o design do NELL, resultados experimentais que ilustram seu comportamento e discutimos seus sucessos e deficiências como um estudo de caso de aprendizagem sem fim. NELL pode ser acompanhado online em http://rtw.ml.cmu.edu e seguido no Twitter em @CMUNELL.
[ Leia no original ]
Sê o primeiro