Następny wielki test dla sztucznej inteligencji: nadawanie sensu światu

Kilka lat temu przełom w uczeniu maszynowym nagle umożliwił komputerom rozpoznawanie obiektów pokazanych na zdjęciach z niespotykaną dotąd – niemal upiorną – dokładnością. Teraz pytanie brzmi, czy maszyny mogą wykonać kolejny skok, ucząc się rozumienia tego, co faktycznie dzieje się na takich obrazach.

Nowa baza danych obrazów o nazwie Genom wizualny , może popchnąć komputery do osiągnięcia tego celu i pomóc w ocenie postępów komputerów próbujących lepiej zrozumieć rzeczywisty świat. Nauczenie komputerów analizowania scen wizualnych ma fundamentalne znaczenie dla sztucznej inteligencji. Może nie tylko stworzyć bardziej przydatne algorytmy wizyjne, ale także pomóc wyszkolić komputery, jak skuteczniej się komunikować, ponieważ język jest tak ściśle związany z reprezentacją świata fizycznego.

Visual Genome został opracowany przez Fei-Fei Li , profesor specjalizujący się w wizji komputerowej i kierujący Laboratorium sztucznej inteligencji Stanforda , wraz z kilkoma kolegami. Skupiamy się bardzo na niektórych z najtrudniejszych pytań dotyczących wizji komputerowej, która tak naprawdę łączy percepcję z poznaniem, mówi Li. Nie tylko zbieranie danych pikseli i próba zrozumienia ich koloru, cieniowania, tego typu rzeczy, ale naprawdę przekształca to w pełniejsze zrozumienie trójwymiarowego, a także semantycznego świata wizualnego.

Li i jego współpracownicy stworzyli wcześniej ImageNet, bazę danych zawierającą ponad milion zdjęć oznaczonych zgodnie z ich zawartością. Każdego roku Wyzwanie ImageNet – Rozpoznawanie wizualne na dużą skalę testuje zdolność komputerów do automatycznego rozpoznawania treści obrazów.

W 2012 roku zespół kierowany przez Geoffreya Hintona z Uniwersytetu w Toronto zbudował dużą i potężną sieć neuronową, która może kategoryzować obrazy znacznie dokładniej niż wszystko, co stworzono wcześniej. Technika wykorzystywana do umożliwienia tego postępu, znana jako głębokie uczenie, polega na wprowadzaniu tysięcy lub milionów przykładów do wielowarstwowej sieci neuronowej, stopniowym trenowaniu każdej warstwy wirtualnych neuronów, aby reagowały na coraz bardziej abstrakcyjne cechy, takie jak tekstura sierści psa, powiedzmy do jego ogólnego kształtu.

Osiągnięcie zespołu z Toronto oznaczało zarówno wzrost zainteresowania głębokim uczeniem, jak i rodzaj renesansu w dziedzinie sztucznej inteligencji, bardziej ogólnie. Od tego czasu uczenie głębokie zostało zastosowane w wielu innych obszarach, dzięki czemu komputery lepiej radzą sobie z innymi ważnymi zadaniami, takimi jak przetwarzanie dźwięku i tekstu.

Obrazy w Visual Genome są znakowane bardziej bogato niż w ImageNet, w tym nazwy i szczegóły różnych obiektów pokazanych na obrazie; relacje między tymi obiektami; oraz informacje o wszelkich działaniach, które mają miejsce. Udało się to osiągnąć dzięki podejściu crowdsourcingowemu opracowanemu przez jednego z kolegów Li ze Stanford, Michael Bernstein . Planowane jest uruchomienie wyzwania w stylu ImageNet przy użyciu zestawu danych w 2017 roku.

Algorytmy wytrenowane na przykładach w Visual Genome mogą robić więcej niż tylko rozpoznawać obiekty i powinny mieć pewną zdolność do analizowania bardziej złożonych scen wizualnych.

Siedzisz w biurze, ale jaki jest układ, kim jest ta osoba, co robi, jakie przedmioty są wokół, jakie wydarzenie się dzieje? mówi Li. Łączymy również [to rozumienie] z językiem, ponieważ sposobem komunikowania się nie jest przypisywanie liczb do pikseli – trzeba połączyć percepcję i poznanie z językiem.

Li jest przekonany, że głębokie uczenie prawdopodobnie odegra kluczową rolę w umożliwieniu komputerom analizowania bardziej złożonych scen, ale inne techniki pomogą rozwinąć stan wiedzy.

Powstałe algorytmy sztucznej inteligencji mogą być może pomóc w porządkowaniu obrazów online lub w osobistych kolekcjach, ale mogą mieć bardziej znaczące zastosowania, umożliwiając robotom lub samojezdnym samochodom prawidłowe zrozumienie sceny. Można je również wykorzystać do uczenia komputerów zdrowego rozsądku poprzez docenienie, które koncepcje są fizycznie prawdopodobne lub bardziej nieprawdopodobne.

Ryszard Socher , ekspert od uczenia maszynowego i założyciel startupu AI o nazwie MetaUmysł mówi, że to może być najważniejszy aspekt projektu. Mówi, że duża część języka dotyczy opisu świata wizualnego. Ten zestaw danych zapewnia nowy skalowalny sposób łączenia dwóch modalności i testowania nowych modeli.

Visual Genome nie jest jedyną złożoną bazą danych obrazów, z którą badacze mogą eksperymentować. Microsoft, na przykład, ma bazę danych o nazwie Wspólne obiekty w kontekście , który pokazuje nazwy i położenie wielu obiektów na obrazach. Google, Facebook i inne firmy również zwiększają możliwości algorytmów sztucznej inteligencji do analizowania scen wizualnych. Badania opublikowane przez Google w 2014 r. wykazały algorytm, który może dostarczać podstawowe podpisy do obrazów o różnym stopniu dokładności (patrz Google Brain-Inspired Software opisuje to, co widzi w złożonych obrazach ). Niedawno Facebook pokazał system pytań i odpowiedzi, który może odpowiadać na bardzo proste pytania dotyczące obrazów (zobacz Aplikacja Facebook może odpowiadać na podstawowe pytania dotyczące tego, co jest na zdjęciach).

Aude Oliva , profesor na MIT, który zajmuje się badaniem widzenia maszynowego i ludzkiego, opracował bazę danych o nazwie Miejsca2 , który zawiera ponad 10 milionów obrazów różnych scen. Ten projekt ma zainspirować rozwój algorytmów zdolnych do opisywania tej samej sceny na wiele sposobów, tak jak to robią ludzie. Oliva mówi, że Visual Genome i podobne bazy danych pomogą w rozwoju widzenia maszynowego, ale wierzy, że badacze AI będą musieli czerpać inspirację z biologii, jeśli chcą budować maszyny o prawdziwie ludzkich możliwościach.

Ludzie opierają swoją decyzję i intuicję na wiedzy, zdrowym rozsądku, doświadczeniach zmysłowych, wspomnieniach i „myślach”, które niekoniecznie są tłumaczone na język, mowę lub tekst, mówi Oliva. Bez wiedzy, w jaki sposób ludzki mózg tworzy myśli, trudno będzie nauczyć sztuczny system zdrowego rozsądku i wizualnego zrozumienia. Neuronauka i informatyka to dwie strony medalu AI.

ukryć