Nākamais lielais AI tests: pasaules jēgas izpratne

Pirms dažiem gadiem izrāviens mašīnmācībā pēkšņi ļāva datoriem atpazīt fotogrāfijās redzamos objektus ar nepieredzētu — gandrīz spokainu — precizitāti. Tagad jautājums ir par to, vai mašīnas var veikt vēl vienu lēcienu, mācoties saprast, kas šādos attēlos patiesībā notiek.

Jauna attēlu datu bāze, ko sauc Vizuālais genoms , varētu virzīt datorus uz šo mērķi un palīdzēt novērtēt datoru progresu, cenšoties labāk izprast reālo pasauli. Mākslīgajam intelektam ir ļoti svarīgi mācīt datorus parsēt vizuālās ainas. Tas var ne tikai radīt noderīgākus redzes algoritmus, bet arī palīdzēt apmācīt datorus, kā sazināties efektīvāk, jo valoda ir tik cieši saistīta ar fiziskās pasaules attēlojumu.

Visual Genome izstrādāja Fei-Fei Li , profesors, kurš specializējas datorredzē un vada Stenfordas mākslīgā intelekta laboratorija , kopā ar vairākiem kolēģiem. Mēs ļoti koncentrējamies uz dažiem visgrūtākajiem datorredzes jautājumiem, kas patiešām savieno uztveri ar izziņu, saka Li. Ne tikai uzņemot pikseļu datus un mēģinot izprast to krāsu, ēnojumu un šāda veida lietas, bet patiešām pārvērst to par pilnīgāku 3-D, kā arī semantisko vizuālās pasaules izpratni.

Li un kolēģi iepriekš izveidoja ImageNet, datu bāzi, kurā ir vairāk nekā miljons attēlu, kas atzīmēti atbilstoši to saturam. Katru gadu, ImageNet liela mēroga vizuālās atpazīšanas izaicinājums pārbauda datoru spēju automātiski atpazīt attēlu saturu.

2012. gadā komanda, kuru vadīja Džefrijs Hintons no Toronto universitātes, izveidoja lielu un jaudīgu neironu tīklu, kas attēlus varēja klasificēt daudz precīzāk nekā jebkas cits, kas tika izveidots iepriekš. Metode, kas tiek izmantota, lai nodrošinātu šo progresu, kas pazīstama kā dziļa mācīšanās, ietver tūkstošiem vai miljonu piemēru ievadīšanu daudzslāņu neironu tīklā, pakāpeniski trenējot katru virtuālo neironu slāni, lai reaģētu uz arvien abstraktākām īpašībām, sākot no suņa kažokādas tekstūras, teiksim, tā vispārējai formai.

Toronto komandas sasniegums iezīmēja gan intereses uzplaukumu par dziļu mācīšanos, gan sava veida mākslīgā intelekta renesansi kopumā. Kopš tā laika padziļināta mācīšanās ir izmantota daudzās citās jomās, padarot datorus labākus citos svarīgos uzdevumos, piemēram, audio un teksta apstrādē.

Visual Genome attēli ir marķēti bagātīgāk nekā ImageNet, tostarp dažādu attēlā redzamo objektu nosaukumi un detaļas; attiecības starp šiem objektiem; un informācija par jebkādām darbībām, kas notiek. Tas tika panākts, izmantojot pūļa avotu pieeju, ko izstrādājis viens no Li kolēģiem Stenfordā, Maikls Bernsteins . Plāns ir uzsākt ImageNet stila izaicinājumu, izmantojot datu kopu 2017. gadā.

Algoritmi, kas apmācīti, izmantojot Visual Genome piemērus, varētu darīt vairāk, nekā tikai atpazīt objektus, un tiem vajadzētu būt iespējai parsēt sarežģītākas vizuālās ainas.

Tu sēdi birojā, bet kāds ir izkārtojums, kas ir cilvēks, ko viņš dara, kādi objekti ir apkārt, kāds notikums notiek? Li saka. Mēs arī savienojam [šo izpratni] ar valodu, jo saziņas veids nav skaitļu piešķiršana pikseļiem — uztvere un izziņa ir jāsaista ar valodu.

Li uzskata, ka dziļai apmācībai, iespējams, būs galvenā loma, ļaujot datoriem parsēt sarežģītākas ainas, taču citas metodes palīdzēs uzlabot jaunākos sasniegumus.

Iegūtie mākslīgā intelekta algoritmi, iespējams, varētu palīdzēt sakārtot attēlus tiešsaistē vai personīgās kolekcijās, taču tiem var būt daudz nozīmīgāku pielietojumu, ļaujot robotiem vai pašbraucošām automašīnām pareizi izprast ainu. Tos varētu izmantot arī, lai mācītu datorus veselīgāk, novērtējot, kuri jēdzieni ir fiziski ticami vai neticamāki.

Ričards Sočers , piezvanīja mašīnmācības eksperts un AI starta dibinātājs MetaMind , saka, ka tas varētu būt vissvarīgākais projekta aspekts. Viņš saka, ka liela daļa valodas ir vizuālās pasaules aprakstīšana. Šī datu kopa nodrošina jaunu mērogojamu veidu, kā apvienot abas modalitātes un pārbaudīt jaunus modeļus.

Visual Genome nav vienīgā sarežģītā attēlu datu bāze, ar kuru pētnieki var eksperimentēt. Piemēram, Microsoft ir datu bāze ar nosaukumu Kopīgi objekti kontekstā , kas parāda vairāku objektu nosaukumus un novietojumu attēlos. Google, Facebook un citi arī veicina AI algoritmu spēju analizēt vizuālās ainas. Google 2014. gadā publicētajos pētījumos tika parādīts algoritms, kas var nodrošināt pamata parakstus attēliem ar dažādu precizitātes līmeni (skatiet Google smadzeņu iedvesmas programmatūru apraksta to, ko tā redz sarežģītos attēlos ). Un pavisam nesen Facebook parādīja jautājumu un atbilžu sistēmu, kas var atbildēt uz ļoti vienkāršiem vaicājumiem par attēliem (skatiet sadaļu Facebook App var atbildēt uz pamata jautājumiem par to, kas ir fotoattēlos).

Aude Oliva MIT profesors, kurš pēta mašīnu un cilvēka redzi, ir izstrādājis datu bāzi ar nosaukumu Vietas2 , kurā ir vairāk nekā 10 miljoni dažādu konkrētu ainu attēlu. Šis projekts ir paredzēts, lai iedvesmotu izstrādāt algoritmus, kas spēj aprakstīt vienu un to pašu ainu dažādos veidos, kā to mēdz darīt cilvēki. Oliva saka, ka Visual Genome un līdzīgas datubāzes palīdzēs uzlabot mašīnu redzējumu, taču viņa uzskata, ka AI pētniekiem būs smelties iedvesmu no bioloģijas, ja viņi vēlas izveidot mašīnas ar patiesi cilvēkiem līdzīgām iespējām.

Cilvēki pieņem lēmumus un intuīciju, pamatojoties uz zināšanām, veselo saprātu, maņu pieredzi, atmiņām un 'domām', kas ne vienmēr tiek tulkotas valodā, runā vai tekstā, saka Oliva. Nezinot, kā cilvēka smadzenes rada domas, mākslīgai sistēmai būs grūti iemācīt veselo saprātu un vizuālo izpratni. Neirozinātne un datorzinātne ir AI monētas divas puses.

paslēpties