211service.com
Nākamais lielais AI solis? Video izpratne
Ekrānuzņēmums no viena no videoklipiem datu kopā Moments in Time, kas varētu palīdzēt AI labāk izprast video saturu. Mirkļi laika datu kopā
Datoram kaķi vai pīli atpazīt nekustīgā attēlā ir diezgan gudri. Bet stingrāks pārbaudījums mākslīgajam intelektam būs sapratne, kad kaķis brauc ar Roomba un dzenājot pīli pa virtuvi .
MIT un IBM šonedēļ izlaida plašu video klipu datu kopumu, kas rūpīgi komentēts ar detalizētu informāciju par veikto darbību. The Mirkļi laika datu kopā ietver trīs sekunžu fragmentus no visa, sākot no makšķerēšanas līdz breika dejām.
Daudzas lietas pasaulē mainās no vienas sekundes uz otru, saka Aude Oliva , MIT galvenais pētnieks un viens no projekta dalībniekiem. Ja vēlaties saprast, kāpēc kaut kas notiek, kustība sniedz daudz informācijas, ko nevarat uzņemt vienā kadrā.
Pašreizējo mākslīgā intelekta uzplaukumu daļēji izraisīja panākumi, mācījot datorus atpazīt statisku attēlu saturu, apmācot dziļus neironu tīklus lielās marķētās datu kopās (skatiet Revolucionārā tehnika, kas uz visiem laikiem mainīja mašīnas redzējumu).
AI sistēmas, kas mūsdienās interpretē video, tostarp sistēmas, kas atrodamas dažās pašbraucošās automašīnās, bieži paļaujas uz objektu identificēšanu statiskos kadros, nevis uz darbību interpretāciju. Pirmdien Google palaida rīku, kas spēj atpazīt video objektus, kas ir daļa no tā mākoņa platformas — pakalpojuma, kurā jau ir iekļauti mākslīgā intelekta rīki attēlu, audio un teksta apstrādei.
Nākamais izaicinājums var būt mācīt mašīnas saprast ne tikai video saturu, bet arī to, kas notiek materiālā. Tam varētu būt dažas praktiskas priekšrocības, iespējams, radīs jaudīgus jaunus veidus, kā meklēt, anotēt un iegūt videomateriālu. Tas arī palīdz robotiem vai pašbraucošām automašīnām labāk izprast, kā attīstās apkārtējā pasaule.
MIT-IBM projekts patiesībā ir tikai viena no vairākām video datu kopām, kas paredzētas, lai veicinātu trenažieru progresu, lai izprastu darbības fiziskajā pasaulē. Piemēram, pagājušajā gadā Google izlaida komplektu astoņi miljoni atzīmētu YouTube videoklipu ar nosaukumu YouTube-8M. Facebook izstrādā anotētu video darbību datu kopu, ko sauc par Ainu, darbību un objektu kopu.
Olga Russakovska, Prinstonas universitātes docente, kas specializējas datorredzēšanā, saka, ka ir izrādījies sarežģīti izstrādāt noderīgas video datu kopas, jo tām ir nepieciešams vairāk atmiņas un skaitļošanas jaudas nekā nekustīgiem attēliem. Es priecājos spēlēt ar šiem jaunajiem datiem, viņa saka. Manuprāt, trīs sekunžu garums ir lielisks — tas nodrošina laika kontekstu, vienlaikus saglabājot zemas uzglabāšanas un skaitļošanas prasības.
Citi izmanto radošāku pieeju. Divdesmit miljardi neironu , starta uzņēmums, kas atrodas Toronto un Berlīnē, izveidoja pielāgotu datu kopu, maksājot kolektīvajiem darbiniekiem par vienkāršu uzdevumu veikšanu. Viens no uzņēmuma līdzdibinātājiem, Rolands Memisevičs , saka, ka tas izmanto arī neironu tīklu, kas īpaši izstrādāts, lai apstrādātu laika redzes informāciju.
Viņš saka, ka tīkli, kas apmācīti par citām datu kopām, var pateikt, vai videoklipā ir parādīta futbola spēle vai ballīte. Mūsu tīkli var jums pastāstīt, vai kāds tikko ir ienācis telpā.
Denijs Gutfreunds, IBM pētnieks, kurš sadarbojās projektā, saka, ka, lai efektīvi atpazītu darbības, būs nepieciešams, lai mašīnas uzzinātu, piemēram, par personu, kas veic kādu darbību, un nodot šīs zināšanas gadījumam, kad, piemēram, dzīvnieks veic to pašu darbību. Progress šajā jomā, kas pazīstams kā pārneses mācīšanās, būs svarīgs AI nākotnei. Redzēsim, kā mašīnas var veikt šo pārneses mācīšanos, šo analoģiju, kas mums ļoti labi padodas, viņš saka.
Gutfreunds piebilst, ka tehnoloģijai varētu būt praktisks pielietojums. Jūs varētu to izmantot veco ļaužu aprūpei, pastāstot, vai kāds ir nokritis vai lietojis zāles, viņš saka. Varat domāt par ierīcēm, kas palīdz neredzīgiem cilvēkiem.