AWS用新方法將AI系統新增辨識類別的訓練工作最小化

AWS近日在Alexa部落格中發表了一項只用新類別資料，來新增AI系統分類類別的研究成果，透過新方法將新增辨識類別的訓練工作最小化，該研究由Alexa研究團隊首席科學家Alessandro Moschitti和其來自義大利特倫托大學的同事Lingzhen Chen，近期會在美國AI協會舉辦的第33屆研討會中，發表只用新類別訓練資料，更新AI系統分類器技術的論文。

現今大部分熱門的AI系統核心都是分類器，藉由分類器將輸入資料分為多個不同的種類，舉例來說，分類器讀取狗的圖片後，能夠根據圖片的特徵，將該圖片分為狗，而不是貓，而語音的資料也是同理，但是，如果要在既有的分類器中加入新的種類，傳統的方法就需要大量的新類別訓練資料，經過繁雜的訓練的過程，才能更新分類器。

過去的方法需要大量地新類別資料，並將這些資料加入原本用來訓練分類器的資料中，最後再藉由整合的資料集，訓練出新的分類器，而現在的商用AI系統，都是透過數百萬的範例訓練而成，若要每新增一個類別就要重新訓練分類器，將會是非常費力的工作。

在研究實驗的範例中，研究人員訓練了可以辨識線上新聞文章中人和機構的神經網路，目標是要在原有的分類器中新增可以辨識地點的能力，實驗結果顯示，最有效地方法是保留既有的分類器，將分類器輸出的資料傳遞給一個獨立分開的分類器，研究人員稱之為神經適應器（ neural adapter），接著，將神經適應器的輸出資料當作是第二個平行分類器額外的輸入資料，也就是說，適應器和新分類器是一起訓練的，在執行的過程，相同的輸入資料會一起通過分類器。

圖片來源：AWS

這項研究成果對Alexa意義重大，由於Alexa的開發團隊主要負責Alexa的核心功能，但是AWS也透過Alexa技能工具包，允許第三方開發者來打造自家的Alexa技能，現在已經有超過7萬個第三方開發的技能，這項研究成果能夠讓第三方開發者，在不需要存取訓練資料的情況下，直接利用Alexa的系統來開發新技能。