211service.com
AI mācās redzēt pasauli, bet ne tā, kā to dara cilvēki
Datorredzei ir bijis brīdis. Attēlu atpazīšanas algoritms vairs nepieļauj stulbas kļūdas, skatoties uz pasauli: mūsdienās tas var precīzi pateikt, ka attēlā ir kaķis . Bet veids, kā tas izdodas ballītes trikam, cilvēkiem var nebūt tik pazīstams, kā mēs domājām.
Lielākā daļa datorredzes sistēmu attēlos identificē iezīmes, izmantojot neironu tīklus, kas ir iedvesmoti no mūsu pašu bioloģijas un ir ļoti līdzīgi savā arhitektūrā — tikai šeit bioloģiskā sensora un neironi tiek aizstāti ar matemātiskām funkcijām. Tagad Facebook un Virginia Tech pētnieku pētījumā teikts, ka, neskatoties uz šīm līdzībām, mums jābūt uzmanīgiem, pieņemot, ka abi darbojas vienādi .
Lai precīzi redzētu, kas notiek, kad gan cilvēki, gan AI analizēja attēlu, pētnieki pētīja, kur abi koncentrēja uzmanību. Abiem tika nodrošināti izplūduši attēli un tika uzdoti jautājumi par attēlā redzamo — Kur ir kaķis? piemēram. Attēla daļas varēja selektīvi asināt, pa vienai, un gan cilvēks, gan mākslīgais intelekts to darīja, līdz varēja atbildēt uz jautājumu. Komanda atkārtoja testus, izmantojot vairākus dažādus algoritmus.
Acīmredzot viņi abi varētu sniegt atbildes, taču interesants rezultāts ir tas, kā viņi to izdarīja. Skalā no 1 līdz -1, kur 1 ir pilnīga piekrišana un -1 pilnīga domstarpība, divi cilvēki ieguva vidēji 0,63 punktus attiecībā uz to, kur viņi koncentrēja uzmanību visā attēlā. Ar cilvēku un AI vidējais rādītājs nokritās līdz 0,26.
Citiem vārdiem sakot: gan mākslīgais intelekts, gan cilvēks skatījās uz vienu un to pašu attēlu, abiem tika uzdots viens un tas pats jautājums, abi to saprata pareizi, taču izmantoja dažādas vizuālās iezīmes, lai nonāktu pie tiem pašiem secinājumiem.
Tas ir skaidrs rezultāts par fenomenu, par kuru pētnieki jau bija devuši mājienus. 2014. gadā komanda no Kornela universitātes un Vaiomingas Universitātes parādīja, ka ir iespējams izveidot attēlus, kas mudina mākslīgo intelektu kaut ko ieraudzīt, vienkārši izveidojot attēlu, kas sastāv no spēcīgajiem vizuālajiem elementiem, kurus programmatūra bija sākusi saistīt ar objektu. . Cilvēkiem ir liels veselā saprāta zināšanu krājums, uz ko var balstīties, un tas nozīmē, ka šādi triki viņus neaizrauj. To pētnieki cenšas iekļaut jaunā viedās programmatūras šķirnē, kas izprot semantisko vizuālo pasauli.
Bet tas, ka datori neizmanto vienu un to pašu pieeju, nenozīmē, ka tie ir zemāki. Patiesībā viņiem varētu būt labāk vispār ignorēt cilvēka pieeju.
Datorredzē izmantotajos neironu tīklos parasti tiek izmantota tehnika, kas pazīstama kā uzraudzīta mācīšanās, lai noskaidrotu, kas notiek attēlā. Galu galā viņu spēja saistīt sarežģītu rakstu, faktūru un formu kombināciju ar objekta nosaukumu ir iespējama, nodrošinot AI ar apmācību attēlu kopumu, kuru saturu jau ir iezīmējis cilvēks.
Taču Facebook un Google DeepMind komandas ir eksperimentējušas ar neuzraudzītām mācību sistēmām, kas uzņem saturu no video un attēliem, lai uzzinātu, kā izskatās cilvēku sejas un ikdienas priekšmeti bez cilvēka iejaukšanās. Magic Pony, ko nesen iegādājās Twitter, arī izvairās no uzraudzītas mācīšanās, tā vietā mācoties atpazīt statistiskos modeļus attēlos, lai iemācītu sev, kā vajadzētu izskatīties malām, faktūrām un citām funkcijām.
Šādos gadījumos, iespējams, ir vēl mazāka iespēja, ka zināšanas par AI tiks ģenerētas, izmantojot procesu, kas līdzinās cilvēka zināšanām. Kad mākslīgais intelekts ir iedvesmots no cilvēka smadzenēm, tas var mūs pārspēt, vienkārši būdams pats.
(Lasīt vairāk: Jaunais Zinātnieks , Mākslīgā intelekta trūkstošā saite , “Viedā” programmatūra var tikt pievilta, lai ieraudzītu to, kas tur nav)