Šie rāpojošie viltus cilvēki vēsta par jaunu AI laikmetu

Ar Datagen pieklājību

Var redzēt, kā uz viņa augšlūpas iekļūst vāji rugāji, kā arī grumbas uz pieres, plankumi uz viņa ādas. Viņš nav īsts cilvēks, taču ir paredzēts, lai to atdarinātu — tāpat kā simtiem tūkstošu citu datu, ko ražojis uzņēmums Datagen, kas pārdod viltotus, imitētus cilvēkus.

Šie cilvēki nav spēļu iemiesojumi vai animācijas varoņi filmām. Tie ir sintētiski dati, kas paredzēti, lai barotu pieaugošo apetīti pēc dziļās mācīšanās algoritmiem. Tādi uzņēmumi kā Datagen piedāvā pārliecinošu alternatīvu dārgajam un laikietilpīgajam reālās pasaules datu vākšanas procesam. Viņi to izgatavos jūsu vietā: kā jūs vēlaties, kad vēlaties, un salīdzinoši lēti.

Lai radītu tās sintētiskos cilvēkus, Datagen vispirms skenē īstos cilvēkus. Tā sadarbojas ar pārdevējiem, kuri maksā cilvēkiem, lai viņi ieietu milzīgos visa ķermeņa skeneros, kas tver katru detaļu no varavīksnenes līdz ādas tekstūrai un pirkstu izliekumiem. Pēc tam startēšana ņem neapstrādātos datus un izsūknē tos, izmantojot virkni algoritmu, kas izstrādā cilvēka ķermeņa, sejas, acu un roku 3D attēlus.

Uzņēmums, kas atrodas Izraēlā, saka, ka jau sadarbojas ar četriem lielākajiem ASV tehnoloģiju gigantiem, lai gan neatklās, kuri no tiem ierakstā. Tā tuvākais konkurents, AI sintēze , piedāvā arī digitālos cilvēkus pēc pieprasījuma. Citi uzņēmumi ģenerē datus, ko izmantot finanses , apdrošināšana , un veselības aprūpe . Apmēram tikpat daudz ir sintētisko datu uzņēmumi jo ir datu veidi.

Kādreiz sintētiskos datus uzskatīja par mazāk vēlamiem nekā reāliem datiem, daži tagad uzskata par panaceju. Reālie dati ir netīri un pārpildīti ar aizspriedumiem. Jaunie datu privātuma noteikumi apgrūtina datu apkopošanu. Turpretim sintētiskie dati ir senatnīgi, un tos var izmantot, lai izveidotu daudzveidīgākas datu kopas. Varat izveidot perfekti marķētas sejas, piemēram, dažāda vecuma, formas un etniskās piederības, lai izveidotu sejas noteikšanas sistēmu, kas darbojas dažādās populācijās.

Bet sintētiskajiem datiem ir savi ierobežojumi. Ja tas neatspoguļo realitāti, tas var radīt vēl sliktāku AI nekā netīri, neobjektīvi reālās pasaules dati, vai arī tas var vienkārši mantot tās pašas problēmas. Ko es nevēlos darīt, ir atbalstīt šo paradigmu un teikt: “Ak, tas atrisinās tik daudz problēmu,” saka Ketija O’Nīla, datu zinātniece un algoritmiskās revīzijas uzņēmuma ORCAA dibinātāja. Jo tas arī daudz ko ignorēs.

Reālistisks, nevis reāls

Padziļināta mācīšanās vienmēr ir bijusi saistīta ar datiem. Taču pēdējos gados AI kopiena to ir iemācījusies labi dati ir svarīgāki par liels datus . Pat nelieli pareizo, skaidri marķētu datu apjomi var uzlabot mākslīgā intelekta sistēmas veiktspēju nekā 10 reizes vairāk nekā nekurētu datu apjoms vai pat uzlabotāks algoritms.

Tas maina veidu, kā uzņēmumiem vajadzētu pievērsties savu AI modeļu izstrādei, saka Datagen izpilddirektors un līdzdibinātājs Ofirs Čakons. Šodien viņi vispirms iegūst pēc iespējas vairāk datu un pēc tam pielāgo un noregulē savus algoritmus labākai veiktspējai. Tā vietā viņiem vajadzētu rīkoties pretēji: izmantojiet to pašu algoritmu, vienlaikus uzlabojot savu datu sastāvu.

Datagen ģenerē arī viltotas mēbeles un iekštelpu vidi, lai tās viltotos cilvēkus iekļautu kontekstā.

DATI

Taču reālās pasaules datu vākšana, lai veiktu šāda veida iteratīvus eksperimentus, ir pārāk dārga un laikietilpīga. Šeit parādās Datagen. Izmantojot sintētisko datu ģeneratoru, komandas var izveidot un pārbaudīt desmitiem jaunu datu kopu dienā, lai noteiktu, kura no tām palielina modeļa veiktspēju.

Lai nodrošinātu datu reālistiskumu, Datagen sniedz saviem pārdevējiem detalizētus norādījumus par to, cik cilvēku skenēt katrā vecuma grupā, ĶMI diapazonā un etniskajā piederībā, kā arī noteiktu darbību sarakstu, kas viņiem jāveic, piemēram, staigāšana pa istabu vai dzerot soda. Pārdevēji nosūta atpakaļ gan augstas precizitātes statiskus attēlus, gan šo darbību kustības tveršanas datus. Pēc tam Datagen algoritmi paplašina šos datus simtiem tūkstošu kombināciju. Sintezētie dati dažreiz tiek pārbaudīti vēlreiz. Viltus sejas tiek attēlotas pret īstām sejām, piemēram, lai redzētu, vai tās šķiet reālistiskas.

Datagen tagad ģenerē sejas izteiksmes, lai uzraudzītu vadītāja modrību viedajos automobiļos, ķermeņa kustības, lai izsekotu klientiem veikalos, kuros nav kases, un īrisus un roku kustības, lai uzlabotu VR austiņu acu un roku izsekošanas iespējas. Uzņēmums saka, ka tā dati jau ir izmantoti, lai izstrādātu datorredzes sistēmas, kas apkalpo desmitiem miljonu lietotāju.

Masveidā tiek ražoti ne tikai sintētiskie cilvēki. Noklikšķināšana ir starta uzņēmums, kas izmanto sintētisko AI, lai veiktu automatizētas transportlīdzekļu pārbaudes. Izmantojot projektēšanas programmatūru, tas no jauna izveido visas automašīnu markas un modeļus, kas tā AI ir jāatpazīst, un pēc tam atveido tos ar dažādām krāsām, bojājumiem un deformācijām dažādos apgaismojuma apstākļos uz dažādiem foniem. Tas ļauj uzņēmumam atjaunināt savu mākslīgo intelektu, kad autoražotāji izlaiž jaunus modeļus, un palīdz izvairīties no datu privātuma pārkāpumiem valstīs, kur numura zīmes tiek uzskatītas par privātu informāciju un tādējādi nevar būt redzamas AI apmācīšanai izmantotajos fotoattēlos.

Click-Ins atveido dažādu marku un modeļu automašīnas dažādos apstākļos.

KLIKŠĶINI

Pārsvarā.ai sadarbojas ar finanšu, telekomunikāciju un apdrošināšanas kompānijām, lai nodrošinātu viltotu klientu datu izklājlapas, kas ļauj uzņēmumiem koplietot savu klientu datu bāzi ar ārējiem pārdevējiem juridiski atbilstošā veidā. Anonimizācija var samazināt datu kopas bagātību, taču joprojām nespēj pienācīgi aizsargāt cilvēku privātumu. Bet sintētiskos datus var izmantot, lai ģenerētu detalizētas viltus datu kopas, kurām ir tādas pašas statistiskās īpašības kā uzņēmuma reālajiem datiem. To var izmantot arī, lai modelētu datus, kuru uzņēmumam vēl nav, tostarp daudzveidīgāku klientu loku vai tādus scenārijus kā krāpnieciska darbība.

Sintētisko datu atbalstītāji saka, ka tie var palīdzēt novērtēt arī AI. In nesen publicēts raksts publicēts AI konferencē, Džona Hopkinsa universitātes mašīnmācības un veselības aprūpes asociētais profesors Suchi Saria un viņas līdzautori demonstrēja, kā datu ģenerēšanas metodes var izmantot, lai ekstrapolētu dažādas pacientu populācijas no viena datu kopuma. Tas varētu būt noderīgi, ja, piemēram, uzņēmumam būtu pieejami dati tikai no Ņujorkas jauneklīgākiem iedzīvotājiem, bet tas vēlas saprast, kā tā AI darbojas uz novecojošu sabiedrību ar lielāku diabēta izplatību. Tagad viņa dibina savu uzņēmumu Bayesian Health, kas izmantos šo paņēmienu, lai palīdzētu pārbaudīt medicīniskās mākslīgā intelekta sistēmas.

Viltošanas robežas

Bet vai sintētiskie dati ir pārspīlēti?

Runājot par privātumu, tas, ka dati ir “sintētiski” un tieši neatbilst reāliem lietotāja datiem, nenozīmē, ka tajos nav kodēta sensitīva informācija par reāliem cilvēkiem, saka Ārons Rots, datorzinātņu un informācijas zinātnes profesors. Pensilvānijas Universitāte. Ir pierādīts, ka dažas datu ģenerēšanas metodes precīzi atveido, piemēram, apmācības datos atrastos attēlus vai tekstu, savukārt citas ir neaizsargātas pret uzbrukumiem, kas liek tiem pilnībā atgūt šos datus.

Tas varētu būt labi tādam uzņēmumam kā Datagen, kura sintētiskie dati nav paredzēti, lai slēptu to personu identitāti, kuras piekrita skenēšanai. Taču tā būtu slikta ziņa uzņēmumiem, kas piedāvā savu risinājumu kā veidu, kā aizsargāt sensitīvu finanšu vai pacientu informāciju.

Saistīts stāsts

Gadā, kad dziļi viltojumi kļuva plaši izplatīti 2020. gadā mākslīgā intelekta sintētiskie mediji sāka attālināties no interneta tumšākajiem nostūriem.

Pētījumi liecina, ka jo īpaši divu sintētisko datu metožu kombinācija — atšķirīga privātuma un ģeneratīvie pretrunīgie tīkli — var nodrošināt visspēcīgāko privātuma aizsardzību, saka Bernease Herman, Vašingtonas Universitātes eScience institūta datu zinātnieks. Bet skeptiķi uztraucas, ka šī nianse var tikt pazaudēta sintētisko datu pārdevēju mārketinga valodā, kas ne vienmēr uzzinās par to, kādas metodes viņi izmanto.

Tikmēr maz pierādījumu liecina, ka sintētiskie dati var efektīvi mazināt AI sistēmu aizspriedumus. Pirmkārt, ekstrapolējot jaunus datus no esošas datu kopas, kas ir novirzīta, ne vienmēr tiek iegūti reprezentatīvāki dati. Piemēram, Datagen neapstrādātajos datos ir proporcionāli mazāk etnisko minoritāšu, kas nozīmē, ka tas izmanto mazāk reālu datu punktu, lai radītu viltotus cilvēkus no šīm grupām. Lai gan ģenerēšanas process nav tikai minējums, šie viltotie cilvēki joprojām varētu atšķirties no realitātes. Ja jūsu sejas ar tumšāku ādas toni nav īpaši labi tuvinātas sejām, jūs faktiski neatrisināt problēmu, saka O'Nīls.

Citā gadījumā ideāli līdzsvarotas datu kopas automātiski nepārvēršas pilnīgi godīgās AI sistēmās, saka Kristo Vilsons, Ziemeļaustrumu universitātes datorzinātņu asociētais profesors. Ja kredītkaršu aizdevējs mēģinātu izstrādāt AI algoritmu potenciālo aizņēmēju vērtēšanai, tas nenovērstu visu iespējamo diskrimināciju, savos datos vienkārši attēlojot baltos cilvēkus, kā arī melnādainos cilvēkus. Diskriminācija joprojām varētu iezagties atšķirību dēļ starp baltajiem un melnādainajiem pretendentiem.

Lai situāciju vēl vairāk sarežģītu, agrīnie pētījumi liecina, ka dažos gadījumos var pat nebūt iespējams sasniegt abus privātos un godīgs AI ar sintētiskiem datiem. In nesen publicēts raksts publicēts AI konferencē, Toronto Universitātes un Vektoru institūta pētnieki mēģināja to izdarīt ar krūškurvja rentgena stariem. Viņi atklāja, ka nespēj izveidot precīzu medicīnisko mākslīgā intelekta sistēmu, mēģinot izveidot daudzveidīgu sintētisko datu kopu, apvienojot atšķirīgu privātumu un ģeneratīvus pretinieku tīklus.

Nekas no tā nenozīmē, ka nevajadzētu izmantot sintētiskos datus. Patiesībā tas var kļūt par nepieciešamību. Tā kā regulatori saskaras ar nepieciešamību pārbaudīt mākslīgā intelekta sistēmas, lai nodrošinātu atbilstību tiesību aktiem, tā varētu būt vienīgā pieeja, kas nodrošina tiem nepieciešamo elastību, lai pēc pieprasījuma ģenerētu mērķtiecīgus testēšanas datus, saka O'Nīls. Bet tas padara jautājumus par tā ierobežojumiem vēl svarīgāku pētīt un atbildēt tagad.

Viņa saka, ka sintētiskie dati laika gaitā, visticamāk, uzlabosies, taču ne nejauši.

paslēpties