211service.com
Maszyny mogą teraz rozpoznać coś po zobaczeniu tego raz
Większość z nas potrafi rozpoznać obiekt po zobaczeniu go raz lub dwa razy. Ale algorytmy, które wspomagają widzenie komputerowe i rozpoznawanie głosu, potrzebują tysięcy przykładów, aby zapoznać się z każdym nowym obrazem lub słowem.
Badacze z Google DeepMind mają teraz sposób na obejście tego. Oni wprowadziłem kilka sprytnych poprawek algorytmowi głębokiego uczenia, który pozwala rozpoznawać obiekty na obrazach i inne rzeczy na podstawie jednego przykładu — coś, co nazywa się „uczeniem jednorazowym”. Zespół zademonstrował sztuczkę na dużej bazie danych oznaczonych obrazów, a także na piśmie odręcznym i języku.
Najlepsze algorytmy potrafią niezawodnie rozpoznawać rzeczy, ale ich zapotrzebowanie na dane sprawia, że ich budowanie jest czasochłonne i kosztowne. Algorytm wyszkolony do wykrywania samochodów na drodze, na przykład, musi przyjąć wiele tysięcy przykładów, aby działać niezawodnie w samochodzie bez kierowcy. Zbieranie tak dużej ilości danych jest często niepraktyczne — na przykład robot, który musi poruszać się po nieznanym domu, nie może spędzać niezliczonych godzin na włóczeniu się po nauce.
Oriol Vinyals , naukowiec z Google DeepMind, brytyjskiej filii Alphabet, zajmującej się sztuczną inteligencją, dodał składnik pamięci do systemu głębokiego uczenia – rodzaju dużej sieci neuronowej, która jest wytrenowana do rozpoznawania rzeczy poprzez dostosowywanie czułości wiele warstw połączonych ze sobą komponentów, z grubsza analogicznych do neuronów w mózgu. Takie systemy muszą widzieć wiele obrazów, aby dostroić połączenia między tymi wirtualnymi neuronami.
Zespół zademonstrował możliwości systemu na bazie danych oznaczonych fotografii o nazwie ImageNet . Oprogramowanie wciąż musi przeanalizować kilkaset kategorii obrazów, ale potem może nauczyć się rozpoznawać nowe obiekty – powiedzmy psa – na podstawie tylko jednego zdjęcia. Skutecznie uczy się rozpoznawać cechy obrazów, które czynią je wyjątkowymi. Algorytm był w stanie rozpoznać obrazy psów z dokładnością zbliżoną do konwencjonalnego systemu głodnego danych po obejrzeniu tylko jednego przykładu.
Vinyals twierdzi, że praca mogłaby być szczególnie przydatna, gdyby mogła szybko rozpoznać znaczenie nowego słowa. Może to być ważne dla Google, mówi Vinyals, ponieważ może umożliwić systemowi szybkie poznanie znaczenia nowego wyszukiwanego hasła.
Inni opracowali jednorazowe systemy uczenia się, ale zazwyczaj nie są one kompatybilne z systemami głębokiego uczenia się. W zeszłym roku w projekcie akademickim wykorzystano probabilistyczne techniki programowania, aby umożliwić tego rodzaju bardzo efektywne uczenie się (patrz „Ten algorytm uczy się zadań tak szybko, jak my”).
Jednak systemy głębokiego uczenia stają się coraz bardziej wydajne, zwłaszcza po dodaniu mechanizmów pamięci. Inna grupa w Google DeepMind niedawno opracowała sieć z elastycznym rodzajem pamięci, dzięki czemu jest zdolna do wykonywania prostych zadań rozumowania — na przykład nauki nawigacji w systemie metra po przeanalizowaniu kilku znacznie prostszych diagramów sieci (patrz „Co się dzieje, gdy dasz komputer pamięci roboczej?').
„Myślę, że jest to bardzo interesujące podejście, które zapewnia nowatorski sposób przeprowadzania jednorazowego uczenia się na tak dużych zbiorach danych” – mówi Sang Wan Lee , który kieruje Laboratorium Inteligencji Mózgu i Maszyn w Koreańskim Zaawansowanym Instytucie Nauki i Technologii w Daejeon w Korei Południowej. „Jest to techniczny wkład w społeczność AI, który badacze wizji komputerowych mogą w pełni docenić”.
Inni są bardziej sceptyczni co do jego użyteczności, biorąc pod uwagę, jak bardzo różni się on od ludzkiego uczenia się. Po pierwsze, mówi Sam Gershman , adiunkt na Wydziale Nauk o Mózgu w Harvardzie, ludzie na ogół uczą się, rozumiejąc elementy, z których składa się obraz, co może wymagać pewnej wiedzy z prawdziwego świata, czyli zdroworozsądkowej. Na przykład „Segway może bardzo różnić się wyglądem od roweru lub motocykla, ale może składać się z tych samych części”.
Według Gershmana i Wana Lee minie jeszcze trochę czasu, zanim maszyny dostosują się do ludzkiego uczenia się. „Nadal pozostajemy dalecy od ujawnienia ludzkiego sekretu wykonywania jednorazowego uczenia się”, mówi Wan Lee, „ale ta propozycja wyraźnie stawia nowe wyzwania, które zasługują na dalsze badania”.