Šis AI mąsto kaip šuo

Visi šunų šeimininkai gali paliudyti galingą savo keturkojų draugų protą. Iš tiesų, daugelis šunų teikia svarbias paslaugas, pavyzdžiui, vedžioja žmones, turinčius regėjimo negalią, randa pasiklydusius asmenis arba uostė narkotikus ir kitą kontrabandą.

Šie gebėjimai pranoksta net galingiausią dirbtinį intelektą. Ir vis dėlto AI mokslininkai dar turi jomis pasinaudoti mokydami dirbtinio intelekto sistemas, kad jos būtų pajėgesnės.

Šiandien tai keičiasi dėl Kianos Ehsani iš Vašingtono universiteto Sietle ir kolegų, kurie surinko unikalų šunų elgesio duomenų rinkinį ir panaudojo juos mokydami dirbtinio intelekto sistemą, kad priimtų šunims būdingus sprendimus. Jų požiūris atveria naują DI tyrimų sritį, kuri tiria kitų protingų būtybių mūsų planetoje galimybes.

Komanda pradeda kurti šunų elgesio duomenų bazę. Jie tai daro sumontuodami vieną šunį su inerciniais matavimo vienetais ant jo kojų, uodegos ir kūno, kad užfiksuotų santykinį kampą ir absoliučią gyvūno padėtį.

Jie taip pat pritvirtino prie šuns galvos GoPro kamerą, kad būtų galima įrašyti vaizdinę sceną, atrinkta penkių kadrų per sekundę greičiu, ir mikrofoną ant šuns nugaros, kad būtų galima įrašyti garsą. Duomenys buvo įrašyti Arduino įrenginiu ant šuns nugaros.

Iš viso komanda surinko apie 24 500 vaizdo kadrų su sinchronizuotais kūno padėties ir judėjimo duomenimis. 21 000 šių kadrų jie panaudojo dirbtinio intelekto mokymams, o likusius – AI sistemos patvirtinimui ir testavimui.

Komanda ištyrė, kaip elgtis kaip šuo, kaip planuoti kaip šuo ir kaip mokytis iš šuns.

Pirmoje užduotyje buvo siekiama numatyti būsimus šuns judesius, pateikiamus vaizdų seka. Dirbtinis intelektas tai daro žiūrėdamas vaizdo įrašų kadrus ir tirdamas, ką šuo darė toliau.

Mokydamiesi tokiu būdu, sistema, pamačiusi penkių vaizdų seką, gerai nuspėja kitus penkis judesius. Mūsų modelis teisingai prognozuoja būsimus šuns judesius, tik stebėdamas vaizdus, ​​kuriuos šuo stebėjo ankstesniais laiko žingsniais, sako Ehsani ir kt.

Planavimo užduotis yra šiek tiek sunkesnė. Tikslas yra rasti veiksmų seką, perkeliančią šunį tarp tam tikros vaizdų poros vietų. AI vėl išmoksta tai tyrinėdamas veiksmus, susijusius su daugybe nuoseklių vaizdo kadrų.

Vėlgi, sistema veikia gerai. Mūsų rezultatai rodo, kad mūsų modelis lenkia šias bazines linijas atliekant sudėtingą planavimo kaip šuns užduotį tiek tikslumu, tiek sumišimu, teigia komanda.

Paskutinė užduotis – mokytis iš šuns elgesio. Vienas dalykas, kurį šunys išmoksta, yra tai, kur jie gali ir negali vaikščioti. Taigi komanda naudoja duomenų bazę, kad išmokytų AI atpažinti, kokius paviršius galima vaikščioti, ir pažymėti juos naujuose vaizduose.

Tai įdomus darbas, parodantis, kaip AI sistemos gali atitikti tam tikrus gyvūnų veiklos tipus. Mūsų modelis mokosi iš egocentriško vaizdo ir judėjimo informacijos, kad galėtų veikti ir planuoti taip, kaip toje pačioje situacijoje elgtųsi šuo, sako jie.

Žinoma, laukia daug darbo. Pavyzdžiui, šis darbas renka duomenis iš vieno šuns. Taigi komanda norėtų ištirti duomenis, surinktus iš įvairių šunų. Tai leistų jiems palyginti savo elgesį ir išsamiau suprasti šunų regimąjį intelektą.

Tačiau nėra jokios priežasties, kodėl šis metodas turėtų apsiriboti šunimis. Būtų daug ko išmokti renkant panašius duomenų rinkinius apie beždžiones, ūkio gyvūnus ir visų rūšių gyvūnus laukinėje gamtoje. Kaip pasakė Ehsani ir bendradarbiai: tikimės, kad šis darbas atvers kelią geresniam regėjimo intelekto ir kitų mūsų pasaulyje gyvenančių protingų būtybių supratimui.

Nuoroda: arxiv.org/abs/1803.10827 : Kas paleido šunis? Šuns elgesio modeliavimas iš vizualinių duomenų

paslėpti