Numentas smarta inlärningsalgoritmer

Jeff Hawkins har en meritlista när det gäller att förutsäga framtiden. Grundaren av Palm och uppfinnaren av PalmPilot, han tillbringade 1990-talet med att prata om en kommande värld där vi alla skulle bära kraftfulla datorer i våra fickor. Ingen trodde på det då — folk trodde att jag var galen, säger han. Naturligtvis är jag förtjust över hur framgångsrik mobil datoranvändning är idag.



Vad kommer härnäst: Uppfinnaren av PalmPilot på 1990-talet, Jeff Hawkins, har nu utvecklat en ny uppsättning prediktiva algoritmer inspirerade av neocortex, hjärnans planeringscenter.

excelsior new york

På hans nuvarande företag, Numenta , arbetar Hawkins på en annan idé som verkar komma från det vänstra fältet: att kopiera hur våra egna hjärnor fungerar för att bygga mjukvara som fattar exakta snabba beslut för dagens dataöversvämmade företag. Han och hans team har arbetat med sina algoritmer sedan 2005 och förbereder äntligen för att släppa en version som är redo att användas i produkter. Numentas teknologi är inriktad på en mängd olika tillämpningar, som att bedöma om en kreditkortstransaktion är bedräglig, att förutse vad en webbanvändare kommer att klicka på härnäst eller att förutsäga sannolikheten att en viss sjukhuspatient kommer att drabbas av ett återfall.





Vad de exemplen har gemensamt är att de innehåller komplexa mönster som utvecklas över tid, säger Hawkins. Algoritmerna kan analysera och extrapolera från dessa mönster eftersom de lånar tekniker från delar av den mänskliga hjärnan som har utvecklats för att tolka komplex data som strömmar in från våra sinnen och använda den för att förutsäga vad som kan komma.

Vissa företag sätter redan Numentas senaste tillvägagångssätt på prov. Sm4rt Security Services, ett datasäkerhetsföretag baserat i Mexico City, är en av dem. Vi anlitades av en av världens främsta banker för att bevisa att denna nya teknik kunde förhindra kortbedrägerier, säger vd Victor Chapela. På bara tre månader har vi lyckats matcha noggrannheten hos de befintliga systemen, som har utvecklats under 25 år.

Banken kommer att använda en Numenta-baserad bedrägerikontroller vid sidan av sina befintliga åtgärder någon gång nästa år, säger han. Banken utsätts för mer än 100 miljoner dollar av bedrägerier varje år, säger han, så allt som kan minska ens en bråkdel av det har en mycket snabb återbetalning.



Numentas teknologi är attraktiv för banker eftersom dess förmåga att lära av tidigare data kringgår en avgörande gräns för bedrägeriförebyggande teknologi. En banks datorsystem har bara 10 millisekunder på sig att bestämma om en transaktion ska godkännas, säger Chapela: Det finns helt enkelt ingen tid att söka efter en persons tidigare transaktioner. Som ett resultat delas transaktioner vanligtvis in i snävt definierade kategorier och bedöms enligt regler som är specifika för var och en – regler som har att göra med egenskaper som typen av kort, beloppet som debiteras och typen av handlare.

Men Numentas teknologi gör dessa separata uppsättningar av regler onödiga. Istället används ett råflöde av varje persons utgiftsmönster för att träna en uppsättning algoritmer så att de kan lära sig kundens vanor. När som helst har systemet en internaliserad representation av tidigare händelser som det använder för att förutsäga vilka typer av transaktioner som sannolikt kommer härnäst. Om en ny transaktion inte motsvarar dessa förväntningar kan den flaggas som potentiellt bedrägeri. I det här tillvägagångssättet är bedrägeridetektorerna alltid uppdaterade, säger Chapela. Ett traditionellt analytiskt system, å andra sidan, måste få sina regler uppdaterade i en mödosam process som vanligtvis endast genomförs en gång var sjätte månad.

Hawkins inspiration för den underliggande teknologin kommer från neocortex, det rynkiga yttre lagret av våra hjärnor som är ansvarigt för aktiviteter som tal, rörelse och planering. Påfallande nog kommer dessa mycket olika förmågor från en gemensam arkitektur av neuroner, snarare än från olika klumpar av neuroner med mycket specifika egenskaper.

Hawkins har lånat idén om en gemensam arkitektur. Vi använder primära källor om neurovetenskapen som vägledning, så det finns en enorm mängd biologi i det här, säger han. Algoritmerna simulerar flera lager av neuroner som bearbetar information i neocortex. Det undre lagret tar emot råa indata och skickar sedan en bearbetad och kondenserad version upp till nästa lager av algoritmer. När informationen stiger upp i den hierarkiska modellen, abstraheras den från originalet, och de mest framträdande dragen extraheras, säger Itamar Arel , som arbetar med maskininlärning vid University of Tennessee.



Systemets förmåga att göra förutsägelser om händelser som utspelar sig har sin grund i dess unika förmåga att bearbeta tidsmässiga eller tidsberoende data. Konventionell inlärningsprogramvara kan inte göra det, eftersom den inte kan hantera indata som består av många variabler som förändras över tiden. Istället måste ingenjörer i allmänhet extrahera den handfull variabler som de tror är användbara och mata in dem i algoritmerna.

Den förbehandlingen är inte nödvändig i modeller inspirerade av studier av biologiska hjärnor, säger Arel. Istället kan inlärningssystemet själv bestämma vad som är viktigt och vad som inte är det. Detta är ett framväxande område som kallas djup maskininlärning. De flesta akademiska insatser är dock fokuserade på att bearbeta bilder, säger han. Det unika med Numenta är att det kan hantera tidsdata, vilket öppnar upp för olika typer av applikationer. Bland de exempel Hawkins föreställer sig: företag skulle bättre kunna analysera mänskligt tal eller mönster för elanvändning i byggnader.

kinesiska spioner i oss

Men även om detta tillvägagångssätt höjer utsikterna för system som kan lära sig om alla typer av data snarare än att vara specialiserade på bara en uppgift, måste Numenta fortfarande bevisa att dess teknologi är allmänt användbar och kostnadseffektiv. Det är också oklart hur företaget kommer att ta ut tekniken på marknaden, men det kommer förmodligen att vara i form av utvecklingsverktyg snarare än hyllprodukter. Nu när tekniken verkligen fungerar, säger Hawkins, kommer vi nästa år att gå över till produktutvecklingsläge.

Dölj