Il modello di intelligenza artificiale del MIT è in grado di acquisire autonomamente le relazioni tra gli oggetti con dati di addestramento minimi

I sistemi di deep learning funzionano individuando modelli statistici nei dati: è così che interpretano la propria visione del mondo. Tuttavia, questo metodo di apprendimento statistico richiede una grande quantità di dati di input e non è particolarmente utile per aiutare i sistemi di deep learning ad applicare la conoscenza del passato a nuove situazioni, a differenza dell'intelligenza artificiale simbolica, che consente di registrare la sequenza di passaggi compiuti per realizzare un decisione con meno dati rispetto ai metodi tradizionali.

• Il premio "Nobel per la tecnologia" è stato assegnato al software che insegna all'intelligenza artificiale a imparare come gli esseri umani

Un nuovo studio condotto da un team di scienziati dell’intelligenza artificiale del MIT, MIT-IBM Watson AI Lab e DeepMind mostra il potenziale dell’addestramento dell’intelligenza artificiale quando applicato a un compito specifico e simbolico, ad esempio, cogliere il significato delle immagini. Di conseguenza, negli esperimenti, i modelli di intelligenza artificiale degli scienziati hanno acquisito concetti relativi a oggetti come colore e forma, quindi hanno utilizzato tale conoscenza per creare relazioni tra molti oggetti in una scena, richiedendo solo dati di addestramento minimi e non dovendo essere programmati esplicitamente.

“Sappiamo tutti che usare una combinazione di parole e illustrazioni è un modo efficace per aiutare i bambini ad apprendere e ricordare un concetto specifico. La nostra idea di questo modello simbolico dell’IA è la stessa. Grazie a ciò, il sistema avrà bisogno di meno dati di addestramento e sarà in grado di trasferire meglio le conoscenze acquisite in nuove situazioni", ha affermato l'informatico Jiayuan Mao, capo del progetto.

• I ricercatori di Google consentono all’intelligenza artificiale di giocare per migliorare l’apprendimento per rinforzo

Essenzialmente, questo modello di intelligenza artificiale è costituito da una componente di ricezione delle informazioni, che converte le immagini in un'interpretazione basata su oggetti, e da uno strato linguistico che estrae significato da parole e frasi, quindi crea "programmi simbolici" che aiutano l'intelligenza artificiale a sapere come farlo. rispondi alla domanda. Inoltre, ci sarà un terzo modulo che eseguirà programmi simbolici in background e fornirà risposte, aggiornando le conoscenze al modello AI quando commette errori.

I ricercatori hanno addestrato questo modello di intelligenza artificiale su immagini combinate con molte domande e risposte pertinenti. La capacità dell'intelligenza artificiale di comprendere le immagini è stata poi supervisionata dalla Stanford University. In generale, l’intelligenza artificiale deve rispondere a domande come: qual è il colore dell’oggetto? Quanti oggetti ci sono accanto a un altro oggetto? Oppure di che materiale è fatto questo oggetto? La complessità delle domande aumenterà naturalmente con il livello di comprensione del modello AI e, man mano che padroneggia i concetti a livello di oggetto, il modello AI imparerà come creare connessioni tra molti oggetti e le loro proprietà insieme, questa può essere considerata una fase avanzata.

• Winnow utilizza la visione artificiale per contribuire a ridurre gli sprechi nella lavorazione degli alimenti

Negli esperimenti, questo modello di intelligenza artificiale ha dimostrato di essere in grado di interpretare nuove scene e concetti quasi perfettamente, surclassando altri sistemi di intelligenza artificiale avanzati, utilizzando solo 5.000 immagini e 100.000 domande (rispetto a circa 70.000 immagini e 700.000 domande per i modelli di intelligenza artificiale convenzionali). . In futuro, il lavoro principale dei ricercatori sarà quello di migliorare le prestazioni del modello AI nella comprensione delle foto del mondo reale, per poi spostarsi gradualmente verso la manipolazione video e robotica.