NVIDIA trova un nuovo metodo di formazione AI che richiede meno dati di input

NVIDIA ha sviluppato un nuovo approccio alla formazione delle reti generative avversarie (GAN). Questo metodo richiede una quantità di dati di input significativamente inferiore rispetto ai metodi attualmente più diffusi. Mentre la qualità della formazione è comunque assolutamente garantita.

Se non lo sai, GAN è un sistema di intelligenza artificiale composto da 2 parti separate:

• Il primo è la rete generativa, che aiuta a creare campioni di addestramento (dati falsi), con l'obiettivo di creare dati più realistici.
• La seconda è la Rete Discriminativa: il cui compito è cercare di distinguere tra dati reali e dati falsi, per poi utilizzare questi dati per “riqualificare” la Rete Generativa stessa.

modello GAN

I sistemi GAN sono stati applicati in molti compiti intensivi come la conversione di didascalie in storie in base a ciascun contesto, in particolare la creazione di foto e video artificiali con un realismo estremamente elevato.

In sostanza, per essere in grado di produrre risultati affidabili con elevata coerenza, i modelli GAN tradizionali richiederanno un minimo di 50.000-100.000 immagini come dati di addestramento in input. Se la quantità di dati di addestramento è troppo piccola, il modello GAN tende a soffrire di un problema chiamato “overfitting”. In questo caso, la rete Discriminativa non avrà basi sufficienti per addestrare e interagire in modo efficace con la rete Generativa.

• L’intelligenza artificiale può già scrivere un intero articolo partendo da poche informazioni

In passato, un metodo comune utilizzato dai ricercatori di intelligenza artificiale per cercare di risolvere il problema della mancanza di dati di addestramento era utilizzare una tecnica chiamata “aumento dei dati”. Utilizzando nuovamente l'algoritmo dell'immagine come esempio, in assenza di dati di addestramento sufficienti e necessari, gli esperti proveranno a risolvere il problema creando copie "distorte" delle immagini esistenti, ad esempio ritagliando, ruotando o capovolgendo un'immagine originale per creare più immagini come dati di training aggiuntivi. L’idea qui è quella di non lasciare che il modello GAN veda la stessa identica immagine due volte.

Tuttavia, il problema con questo approccio è che può far sì che il GAN ​​impari a imitare cambiamenti innaturali nei dati di addestramento, invece di creare qualcosa di nuovo. Per risolvere il problema, NVIDIA ha sviluppato un nuovo metodo chiamato “Adaptive Differentiation Augmentation (ADA). Il nucleo sono ancora le tecniche di aumento dei dati, ma implementate in modo adattivo. Invece di "distorcere" indiscriminatamente le immagini durante l'intero processo di formazione, ADA esegue questo processo in modo selettivo e quanto basta affinché GAN ottenga comunque le migliori prestazioni.

I risultati positivi del metodo formativo ADA portano molte importanti implicazioni nel campo dell’intelligenza artificiale. Perché raccogliere la quantità necessaria di dati di allenamento sembra semplice, ma in realtà è molto difficile. Ad esempio, per un modello AI di composizione letteraria, non dovrai preoccuparti della mancanza di dati di input training. Ma nel caso di un algoritmo di intelligenza artificiale specializzato nel rilevamento di disturbi neurologici rari, la semplice raccolta di dati di addestramento sufficienti rappresenta un grosso problema. Un modello GAN addestrato con l'approccio ADA di NVIDIA può risolvere il problema di cui sopra.

NVIDIA condividerà maggiori informazioni sulla sua nuova tecnica ADA alle prossime conferenze sull'intelligenza artificiale.