De flesta skulle inte tänka sig att lära femåringar hur man slår en baseboll genom att ge dem ett slagträ och boll, säger åt dem att kasta föremålen i luften i en miljon olika kombinationer och hoppas att de kommer på hur de två sakerna hänger ihop.

Och ändå, Det är på något sätt hur vi närmar oss maskininlärning idag – genom att visa maskiner mycket data och förvänta sig att de ska lära sig associationer eller hitta mönster på egen hand.

För många av de vanligaste tillämpningarna av AI-teknik idag, som enkel text- eller bildigenkänning, detta fungerar extremt bra.

Men i takt med att viljan att använda AI för fler scenarier har vuxit, Microsofts forskare och produktutvecklare har banat väg för ett kompletterande tillvägagångssätt som kallas maskinundervisning. Detta är beroende av människors expertis för att dela upp ett problem i enklare uppgifter och ge maskininlärningsmodeller viktiga ledtrådar om hur man hittar en lösning snabbare. Det är som att lära ett barn att slå ett homerun genom att först lägga bollen på tee, sedan kasta en underhandsplan och så småningom gå vidare till snabba bollar.

"Det här känns väldigt naturligt och intuitivt när vi pratar om detta i mänskliga termer men när vi byter till maskininlärning, allas tankesätt, vare sig de inser det eller inte, är 'låt oss bara kasta snabba bollar mot systemet, ", sa Mark Hammond, Microsofts generaldirektör för Business AI. "Maskinundervisning är en uppsättning verktyg som hjälper dig att sluta göra det."

Maskinundervisning försöker få kunskap från människor snarare än att extrahera kunskap från enbart data. En person som förstår uppgiften – om hur man bestämmer vilken avdelning i ett företag som ska få ett inkommande e-postmeddelande eller hur man automatiskt positionerar vindkraftverk för att generera mer energi – skulle först bryta ner det problemet i mindre delar. Sedan skulle de ge ett begränsat antal exempel, eller motsvarande lektionsplaner, för att hjälpa maskininlärningsalgoritmerna att lösa det.

I scenarier för övervakad inlärning, maskininlärning är särskilt användbar när lite eller ingen märkt utbildningsdata finns för maskininlärningsalgoritmerna eftersom en bransch eller ett företags behov är så specifika.

I svåra och tvetydiga scenarier för förstärkningsinlärning – där algoritmer har problem med att räkna ut vilka av miljontals möjliga åtgärder den ska vidta för att bemästra uppgifter i den fysiska världen – kan maskinundervisning dramatiskt förkorta tiden det tar en intelligent agent att hitta lösningen.

Det är också en del av ett större mål att göra det möjligt för en bredare grupp människor att använda AI på mer sofistikerade sätt. Maskinundervisning tillåter utvecklare eller ämnesexperter med liten AI-expertis, som advokater, revisorer, ingenjörer, sjuksköterskor eller truckförare, att förmedla viktiga abstrakta koncept till ett intelligent system, som sedan utför maskininlärningsmekaniken i bakgrunden.

Microsofts forskare började utforska maskinlärande principer för nästan ett decennium sedan, och dessa koncept arbetar sig nu in i produkter som hjälper företag att bygga allt från intelligenta kundtjänstrobotar till autonoma system.

"Även den smartaste AI kommer att kämpa av sig själv för att lära sig hur man gör några av de djupt komplexa uppgifter som är vanliga i den verkliga världen. Så du behöver ett tillvägagångssätt som detta, med människor som vägleder AI-system för att lära sig saker som vi redan vet, " sa Gurdeep Pall, Microsofts koncernchef för Business AI. "Att ta den här nyckelfärdiga AI och låta icke-experter använda den för att göra mycket mer komplexa uppgifter är verkligen den söta punkten för maskinundervisning."

I dag, om vi försöker lära en maskininlärningsalgoritm för att lära oss vad en tabell är, vi kunde enkelt hitta en datauppsättning med bilder av tabeller, stolar och lampor som är noggrant märkta. Efter att ha exponerat algoritmen för otaliga märkta exempel, den lär sig känna igen ett bords egenskaper.

Men om du var tvungen att lära en person hur man känner igen ett bord, du skulle förmodligen börja med att förklara att den har fyra ben och en platt topp. Om du såg personen som också satte stolar i den kategorin, du skulle vidare förklara att en stol har en rygg och ett bord inte. Dessa abstraktioner och återkopplingsslingor är nyckeln till hur människor lär sig, och de kan också utöka traditionella metoder för maskininlärning.

"Om du kan lära ut något till en annan person, du borde kunna lära det till en maskin med hjälp av språk som är mycket nära hur människor lär sig, sa Patrice Simard, Microsoft framstående ingenjör som banade väg för företagets maskinundervisningsarbete för Microsoft Research. Den här månaden, hans team flyttar till gruppen Experiences and Devices för att fortsätta detta arbete och ytterligare integrera maskinundervisning med konversations-AI-erbjudanden.

Miljontals potentiella AI-användare

Simard började först tänka på ett nytt paradigm för att bygga AI-system när han märkte att nästan alla uppsatser på maskininlärningskonferenser fokuserade på att förbättra prestanda hos algoritmer på noggrant utvalda riktmärken. Men i den verkliga världen, han förstod, undervisning är en lika eller utan tvekan viktigare komponent för lärande, speciellt för enkla uppgifter där begränsad data är tillgänglig.

Om du ville lära ett AI-system hur man väljer den bästa bilen men bara hade några få exempel som var märkta "bra" och "dåliga, " det kan dra slutsatsen från den begränsade informationen att en avgörande egenskap hos en bra bil är att det fjärde numret på dess registreringsskylt är en "2." Men att peka AI-systemet på samma egenskaper som du skulle säga till din tonåring att överväga - gas miltal, säkerhetsbetyg, krocktestresultat, pris – gör det möjligt för algoritmerna att känna igen bra och dåliga bilar korrekt, trots den begränsade tillgången på märkta exempel.

I scenarier för övervakad inlärning, maskininlärning förbättrar modeller genom att identifiera dessa meningsfulla funktioner på hög nivå. Som i programmering, maskinundervisningens konst innebär också nedbrytning av uppgifter till enklare uppgifter. Om de nödvändiga funktionerna inte finns, de kan skapas med hjälp av undermodeller som använder funktioner på lägre nivå och som är enkla nog att lära sig från några exempel. Om systemet konsekvent gör samma misstag, fel kan elimineras genom att lägga till funktioner eller exempel.

En av de första Microsoft-produkterna som använder maskinundervisningskoncept är språkförståelse, ett verktyg i Azure Cognitive Services som identifierar avsikt och nyckelbegrepp från kort text. Det har använts av företag som sträcker sig från UPS och Progressive Insurance till Telefonica för att utveckla intelligenta kundtjänstrobotar.

"För att veta om en kund har en fråga om fakturering eller en serviceplan, du behöver inte ge oss alla exempel på frågan. Du kan ge fyra eller fem, tillsammans med funktionerna och nyckelorden som är viktiga i den domänen, och språkförståelse tar hand om maskineriet i bakgrunden, sa Riham Mansour, huvudansvarig för programvaruteknik med ansvar för språkförståelse.

Microsofts forskare undersöker hur man tillämpar maskininlärningskoncept på mer komplicerade problem, som att klassificera längre dokument, e-post och även bilder. De arbetar också med att göra undervisningsprocessen mer intuitiv, som att föreslå användarna vilka funktioner som kan vara viktiga för att lösa uppgiften.

Föreställ dig att ett företag vill använda AI för att skanna igenom alla sina dokument och e-postmeddelanden från det senaste året för att ta reda på hur många offerter som skickades ut och hur många av dem som resulterade i en försäljning, sa Alicia Edelman Pelton, huvudprogramledare för Microsoft Machine Teaching Group.

Som ett första steg, systemet måste veta hur man identifierar en offert från ett kontrakt eller en faktura. Ofta, inga märkta träningsdata finns för den typen av uppgifter, speciellt om varje säljare i företaget hanterar det lite olika.

Om systemet använde traditionella maskininlärningstekniker, företaget skulle behöva lägga ut den processen, skicka tusentals exempeldokument och detaljerade instruktioner så att en armé av människor kan försöka märka dem korrekt – en process som kan ta månader fram och tillbaka för att eliminera fel och hitta alla relevanta exempel. De behöver också en maskininlärningsexpert, som kommer att vara mycket efterfrågad, att bygga maskininlärningsmodellen. Och om nya säljare börjar använda olika format som systemet inte utbildats i, modellen blir förvirrad och slutar fungera bra.

Däremot Pelton sa, Microsofts maskininlärningsmetod skulle använda en person inom företaget för att identifiera de definierande egenskaperna och strukturerna som vanligtvis finns i ett citat:något skickat från en säljare, en extern kunds namn, ord som "offert" eller "leveransdatum, " "produkt, " "kvantitet, " eller "betalningsvillkor."

Det skulle översätta den personens expertis till ett språk som en maskin kan förstå och använda en maskininlärningsalgoritm som är förvald för att utföra den uppgiften. Det kan hjälpa kunder att bygga skräddarsydda AI-lösningar på en bråkdel av tiden med hjälp av den expertis som redan finns inom deras organisation, sa Pelton.

Pelton noterade att det finns otaliga människor i världen "som förstår sina verksamheter och kan beskriva de viktiga begreppen - en advokat som säger:'åh, Jag vet hur ett kontrakt ser ut och jag vet hur en stämning ser ut och jag kan ge dig ledtrådar för att se skillnaden."

Att göra svåra problem verkligt lösbara

För mer än ett decennium sedan, Hammond arbetade som systemprogrammerare i ett neurovetenskapslabb i Yale och märkte hur forskare använde ett steg-för-steg-sätt för att träna djur att utföra uppgifter för sina studier. Han hade en liknande uppenbarelse om att låna de här lektionerna för att lära ut maskiner.

Det ledde till slut att han grundade Bonsai, som förvärvades av Microsoft förra året. Den kombinerar maskinundervisning med djup förstärkningsinlärning och simulering för att hjälpa företag att utveckla "hjärnor" som driver autonoma system i applikationer som sträcker sig från robotteknik och tillverkning till energi- och byggnadshantering. Plattformen använder ett programmeringsspråk som heter Inkling för att hjälpa utvecklare och till och med ämnesexperter att bryta ner problem och skriva AI-program.

Djup förstärkningsinlärning, en gren av AI där algoritmer lär sig genom att trial and error baserat på ett system av belöningar, har framgångsrikt överträffat människor i videospel. Men dessa modeller har kämpat för att bemästra mer komplicerade verkliga industriella uppgifter, sa Hammond.

Att lägga till ett maskinundervisningsskikt – eller ingjuta en organisations unika ämnesexpertis direkt i en djupförstärkningsinlärningsmodell – kan dramatiskt minska tiden det tar att hitta lösningar på dessa djupt komplexa verkliga problem, sa Hammond.

Till exempel, Föreställ dig att ett tillverkningsföretag vill utbilda en AI-agent för att självständigt kalibrera en kritisk utrustning som kan kastas ut när temperaturen eller luftfuktigheten fluktuerar eller efter att den har använts en tid. En person skulle använda Inkling-språket för att skapa en "lektionsplan" som beskriver relevant information för att utföra uppgiften och för att övervaka om systemet fungerar bra.

Beväpnad med den informationen från dess maskininlärningskomponent, Bonsai-systemet skulle välja den bästa förstärkningsinlärningsmodellen och skapa en AI-"hjärna" för att minska dyra driftstopp genom att autonomt kalibrera utrustningen. Den skulle testa olika åtgärder i en simulerad miljö och belönas eller straffas beroende på hur snabbt och exakt den utför kalibreringen.

Att berätta för den AI-hjärnan vad som är viktigt att fokusera på i början kan kortsluta mycket fruktlöst och tidskrävande utforskande när den försöker lära sig i simulering vad som fungerar och inte fungerar, sa Hammond.

"Anledningen till att maskinundervisning visar sig vara kritisk är att om du bara använder förstärkningsinlärning naivt och inte ger den någon information om hur man löser problemet, det kommer att utforskas slumpmässigt och kommer kanske förhoppningsvis – men ofta aldrig någonsin – att hitta en lösning som fungerar, ", sa Hammond. "Det gör problem verkligen lösbara medan de inte är det utan maskinundervisning."