211service.com
Aby stać się naprawdę inteligentnym, sztuczna inteligencja może potrzebować grać w więcej gier wideo
Najnowsze gry komputerowe potrafią być fantastycznie realistyczne. Co zaskakujące, te realistyczne wirtualne światy mogą mieć również pewną wartość edukacyjną — zwłaszcza dla raczkujących algorytmów sztucznej inteligencji.
Adrien Gaidon, informatyk w Centrum Badawcze Xerox w Europie w Grenoble we Francji, pamięta, jak oglądał kogoś grającego w grę wideo Zabójcy Creed kiedy zdał sobie sprawę, że fotorealistyczna sceneria gry może stanowić przydatny sposób na nauczenie algorytmów sztucznej inteligencji o rzeczywistym świecie. Gaidon testuje teraz ten pomysł, opracowując wysoce realistyczne środowiska 3D do uczenia algorytmów rozpoznawania konkretnych obiektów lub scenariuszy w świecie rzeczywistym.
Pomysł jest ważny, ponieważ najnowocześniejsze algorytmy AI muszą żywić się ogromnymi ilościami danych, aby nauczyć się wykonywać zadanie. Czasami to nie problem. Na przykład Facebook ma miliony oznaczonych zdjęć, za pomocą których szkolą algorytmy automatycznie oznaczające znajomych podczas przesyłania zdjęć (patrz Facebook tworzy oprogramowanie, które dopasowuje się do twarzy prawie tak dobrze jak Ty). Podobnie Google rejestruje ogromne ilości danych za pomocą autonomicznych samochodów, które są następnie wykorzystywane do udoskonalania algorytmów kontrolujących te pojazdy.
Jednak większość firm nie ma dostępu do tak ogromnych zbiorów danych ani możliwości generowania takich danych od podstaw.
Aby wypełnić te luki, Gaidon i współpracownicy użyli popularnego silnika do tworzenia gier, zwanego Jedność , do generowania wirtualnych scen do uczenia algorytmów głębokiego uczenia — bardzo dużego rodzaju symulowanej sieci neuronowej — do rozpoznawania obiektów i sytuacji na rzeczywistych obrazach. Unity jest powszechnie używany do tworzenia gier wideo 3D, a programiści mają dostęp do wielu popularnych obiektów do wykorzystania w ich kreacjach.
Artykuł opisujący pracę zespołu Xerox zostanie zaprezentowany na konferencji poświęconej wizji komputerowej jeszcze w tym roku. Tworząc wirtualne otoczenie i pozwalając algorytmowi widzieć wiele wariacji pod różnymi kątami i przy różnym oświetleniu, można nauczyć algorytm rozpoznawania tego samego obiektu na rzeczywistych obrazach lub materiałach wideo. Zaletą wirtualnych światów jest to, że możesz stworzyć dowolny scenariusz, mówi Gaidon.
Grupa Gaidona opracowała również sposób na przekształcenie rzeczywistej sceny w wirtualną za pomocą skanera laserowego do uchwycenia sceny w 3D, a następnie zaimportowania tych informacji do wirtualnego świata. Grupa była w stanie zmierzyć dokładność podejścia, porównując algorytmy wytrenowane w środowiskach wirtualnych z algorytmami wytrenowanymi przy użyciu rzeczywistych obrazów z adnotacjami ludzi. Korzyści z symulacji są dobrze znane, mówi, ale [zastanawialiśmy się], czy możemy wygenerować wirtualną rzeczywistość, która może oszukać sztuczną inteligencję?
Naukowcy z Xeroxa mają nadzieję zastosować tę technikę w dwóch sytuacjach. Najpierw planują wykorzystać go do wyszukiwania pustych miejsc parkingowych na ulicy za pomocą kamer zamontowanych w autobusach. Normalnie robienie tego wymagałoby zebrania dużej ilości materiału wideo i ręcznego dodania adnotacji do pustych miejsc. Ogromna ilość danych szkoleniowych może być generowana automatycznie przy użyciu wirtualnego środowiska stworzonego przez zespół Xerox. Po drugie, badają, czy można by go wykorzystać do poznawania problemów medycznych za pomocą wirtualnych szpitali i pacjentów.
Wyzwanie uczenia się przy użyciu mniejszej ilości danych jest dobrze znane informatykom i inspiruje wielu badaczy do odkrywania nowych podejść, z których niektóre czerpią inspirację z ludzkiego uczenia się (patrz Czy ten człowiek może uczynić sztuczną inteligencję bardziej ludzką?).
Myślę, że to bardzo dobry pomysł, mówi Josh Tenenbaum , profesor kognitywistyki i obliczeń na MIT, projektu Xerox. To coś, do czego my i wielu innych dążymy w różnych formach.