MnasNet: Künstliche Intelligenz wählt Machine-Learning-Modell
Das von Google Research entwickelte System nutzt Reinforcment Learning, um Modelle für den Einsatz auf Smartphones auszusuchen.
- Rainald Menge-Sonnentag
Unter dem Namen MnasNet hat das für Künstliche Intelligenz (KI) und Machine Learning (ML) zuständige Google Brain Team ein System entwickelt, um passende ML-Modelle zum Einsatz auf mobilen Plattformen auszuwählen. Die Inspiration kam von AutoML, das das Designs von ML-Modellen automatisiert und ebenfalls aus dem Google Brain Team stammt.
Hintergrund für die Entwicklung ist, dass für den Einsatz von ML auf mobilen Endgeräten beispielsweise zur Bildanalyse das Finden der richtigen Balance zwischen Erkennungsraten und Ressourcenbedarf eine besondere Herausforderung darstellt. Dem habe das Team zwar bereits mit speziell auf den mobilen Bereich zugeschnittenen Modellen wie MobileNet und MovileNetV2 Rechnung getragen, die die Forscher jedoch manuell entwickeln mussten.
Automatisierung mit Reinforcement Learning
MnasNet setzt auf Methoden des Reinforcement Learning (RL, im Deutschen auch als bestärkendes Lernen bezeichnet), um die Modelloptimierung zu automatisieren. Die Forscher setzen somit zum Optimieren des ML-Prozesses auf Methoden des Machine Learning. RL ist vor allem in Kombination mit Videospielen bekannt, da es dort Regeln und Ziele gibt, die Menschen und Software gleichermaßen klar erkennen können. Unter anderem bietet die Plattform OpenAI Videospiele, mit der sich AI-Modelle testen und trainieren lassen, und das von Microsoft vorangetriebene Project Malmo verwendet Minecraft, um Systeme zu trainieren. Die Grundidee ist stets, dass das System selbst erkennt, welcher Weg zum besten Ergebnis führt.
Googles Ansatz verwendet einen Controller, der auf einem Rekurrenten Neuronalen Netz (RNN, Recurrent neural Network) aufgebaut ist. Er füttert einen Trainer mit Modellen, der diese trainiert. Das Ergebnis läuft auf physischen Endgeräten mit dem speziell für den mobilen Einsatz zugeschnittenen ML-Framework TensorFlow Lite. Die für das Reinforcement Learning relevante Belohnungsfunktion kombiniert schließlich die Genauigkeit mit der Ausführungsgeschwindigkeit und gibt diesen Score an den Controller zurück.
(Bild: Google)
Individuelle Modelle statt von der Stange
Aufgrund des automatisierten Ansatzes lassen sich ML-Modelle deutlich leichter als manuell für unterschiedliche Gerätetypen optimieren, statt wie bei MobileNet auf den generellen Einsatz zu zielen. Bei einem Vergleich auf Googles Pixel Phone für eine ImageNet-Klassifizierung und COCO-Objekterkennung wies das mit MnasNet erstellte Modell laut den Angaben der Entwickler sowohl bessere Erkennungsraten als auch eine höhere Geschwindigkeit auf als MobileNetV2. Die Erkennungsrate war demnach vergleichbar mit dem SSD300-Modell, das jedoch deutlich höhere Ansprüche an die Rechenleistung hat.
Weitere Details lassen sich dem Google-AI-Blog entnehmen. (rme)
