211service.com
Kitas didelis AI testas: pasaulio prasmės supratimas
Prieš kelerius metus mašininio mokymosi proveržis netikėtai leido kompiuteriams atpažinti nuotraukose pavaizduotus objektus precedento neturinčiu – beveik baisu – tikslumu. Dabar kyla klausimas, ar mašinos gali padaryti dar vieną šuolį, išmokdamos suprasti, kas iš tikrųjų vyksta tokiuose vaizduose.
Nauja vaizdų duomenų bazė, vadinama Vizualus genomas , galėtų padėti kompiuterius siekti šio tikslo ir padėti įvertinti kompiuterių, bandančių geriau suprasti realų pasaulį, pažangą. Dirbtiniam intelektui labai svarbu išmokyti kompiuterius analizuoti vaizdines scenas. Tai gali ne tik sukurti naudingesnius regėjimo algoritmus, bet ir padėti išmokyti kompiuterius efektyviau bendrauti, nes kalba taip glaudžiai susijusi su fizinio pasaulio vaizdavimu.
Visual Genome sukūrė Fei-Fei Li , profesorius, kuris specializuojasi kompiuterinio matymo srityje ir vadovauja Stanfordo dirbtinio intelekto laboratorija , kartu su keliais kolegomis. Mes daug dėmesio skiriame kai kuriems sunkiausiems kompiuterinio regėjimo klausimams, kurie iš tikrųjų sujungia suvokimą su pažinimu, sako Li. Ne tik imti pikselių duomenis ir bandyti suprasti jų spalvą, atspalvį ir tokius dalykus, bet ir iš tikrųjų paversti tai pilnesniu 3D ir semantinio vaizdo pasaulio supratimu.
Li ir kolegos anksčiau sukūrė „ImageNet“ – duomenų bazę, kurioje yra daugiau nei milijonas vaizdų, pažymėtų pagal jų turinį. Kiekvienais metais, „ImageNet“ didelio masto vizualinio atpažinimo iššūkis tikrina kompiuterių gebėjimą automatiškai atpažinti vaizdų turinį.
2012 m. komanda, vadovaujama Geoffrey Hintono iš Toronto universiteto, sukūrė didelį ir galingą neuroninį tinklą, kuris galėjo suskirstyti vaizdus į kategorijas daug tiksliau nei bet kas anksčiau sukurtas. Šiai pažangai įgalinti naudojama technika, žinoma kaip gilus mokymasis, apima tūkstančių ar milijonų pavyzdžių įvedimą į daugiasluoksnį neuroninį tinklą, palaipsniui lavinant kiekvieną virtualių neuronų sluoksnį, kad jis reaguotų į vis abstraktesnes šuns kailio tekstūros savybes. tarkim, jo bendra forma.
Toronto komandos pasiekimas pažymėjo ir susidomėjimo giliu mokymusi bumą, ir savotišką dirbtinio intelekto renesansą apskritai. Ir nuo to laiko gilus mokymasis buvo pritaikytas daugelyje kitų sričių, todėl kompiuteriai geriau atlieka kitas svarbias užduotis, pavyzdžiui, apdoroja garsą ir tekstą.
Vaizdai „Visual Genome“ yra ženklinami turtingiau nei „ImageNet“, įskaitant įvairių vaizde rodomų objektų pavadinimus ir detales; tų objektų tarpusavio santykiai; ir informacija apie bet kokius vykstančius veiksmus. Tai buvo pasiekta naudojant „crowdsourcing“ metodą, kurį sukūrė vienas iš Li kolegų Stanforde, Michaelas Bernsteinas . 2017 m. planuojama pradėti „ImageNet“ stiliaus iššūkį naudojant duomenų rinkinį.
Algoritmai, parengti naudojant Visual Genome pavyzdžius, gali padaryti daugiau nei tik atpažinti objektus, be to, jie turėtų turėti galimybę analizuoti sudėtingesnes vaizdines scenas.
Sėdi biure, bet koks išdėstymas, kas tas žmogus, ką jis veikia, kokie objektai aplinkui, koks įvykis vyksta? Li sako. Mes taip pat siejame [šį supratimą] su kalba, nes bendravimo būdas nėra taškų priskyrimas skaičiams – suvokimą ir pažinimą reikia susieti su kalba.
Li mano, kad gilus mokymasis greičiausiai vaidins pagrindinį vaidmenį, leidžiantį kompiuteriams analizuoti sudėtingesnes scenas, tačiau kiti metodai padės tobulėti.
Gauti dirbtinio intelekto algoritmai galbūt galėtų padėti tvarkyti vaizdus internete arba asmeninėse kolekcijose, tačiau jie gali būti naudingesni, nes robotai ar savarankiškai važiuojantys automobiliai galėtų tinkamai suprasti sceną. Jie taip pat galėtų būti naudojami mokant kompiuterius sveikesnio proto, įvertinant, kurios sąvokos yra fiziškai tikėtinos ar labiau neįtikimos.
Ričardas Socheris , paskambino mašininio mokymosi ekspertas ir AI startuolio įkūrėjas MetaMind , sako, kad tai gali būti svarbiausias projekto aspektas. Didelė kalbos dalis yra skirta vizualinio pasaulio apibūdinimui, sako jis. Šis duomenų rinkinys suteikia naują keičiamo dydžio būdą sujungti du būdus ir išbandyti naujus modelius.
Visual Genome nėra vienintelė sudėtinga vaizdų duomenų bazė, su kuria mokslininkai gali eksperimentuoti. Pavyzdžiui, „Microsoft“ turi duomenų bazę, vadinamą Įprasti objektai kontekste , kuriame rodomi kelių objektų pavadinimai ir padėtis vaizduose. „Google“, „Facebook“ ir kiti taip pat skatina dirbtinio intelekto algoritmų galimybę analizuoti vaizdines scenas. 2014 m. „Google“ paskelbtas tyrimas parodė algoritmą, galintį pateikti pagrindinius vaizdų antraštes, kurių tikslumas skiriasi (žr. „Google“ smegenų įkvėpta programinė įranga aprašo, ką mato sudėtinguose vaizduose ). Ir visai neseniai „Facebook“ parodė klausimų ir atsakymų sistemą, kuri gali atsakyti į labai paprastas užklausas apie vaizdus (žr. „Facebook“ programa gali atsakyti į pagrindinius klausimus apie tai, kas yra nuotraukose).
Aude Oliva MIT profesorius, tiriantis mašinų ir žmogaus regėjimą, sukūrė duomenų bazę, vadinamą Vietos2 , kuriame yra daugiau nei 10 milijonų skirtingų konkrečių scenų vaizdų. Šis projektas yra skirtas įkvėpti kurti algoritmus, galinčius aprašyti tą pačią sceną įvairiais būdais, kaip tai daro žmonės. Oliva sako, kad „Visual Genome“ ir panašios duomenų bazės padės tobulinti mašinų regėjimą, tačiau ji mano, kad dirbtinio intelekto tyrėjams reikės semtis įkvėpimo iš biologijos, jei norės sukurti mašinas, turinčias išties panašias į žmogaus galimybes.
Žmonės savo sprendimus ir intuiciją remiasi žiniomis, sveiku protu, jutiminiais išgyvenimais, prisiminimais ir „minčiomis“, kurios nebūtinai paverčiamos kalba, kalba ar tekstu, sako Oliva. Nežinant, kaip žmogaus smegenys kuria mintis, dirbtinę sistemą bus sunku išmokyti sveiko proto ir vizualinio supratimo. Neurologijos ir kompiuterių mokslai yra dvi DI monetos pusės.