MIT의 AI 모델은 최소한의 훈련 데이터로 객체 간의 관계를 스스로 포착할 수 있다

딥 러닝 시스템은 데이터에서 통계적 패턴을 선택하여 작동합니다. 이것이 시스템이 자신의 세계관을 해석하는 방식입니다. 그러나 이 통계 학습 방법에는 많은 양의 입력 데이터가 필요하며, 딥 러닝 시스템이 과거의 지식을 새로운 상황에 적용하는 데 특히 유용하지 않습니다. 기존 방법보다 적은 데이터로 의사결정을 내릴 수 있습니다.

• AI에게 인간처럼 학습하도록 가르치는 소프트웨어에 '노벨 기술상' 수여

MIT 인공지능 과학자 팀, MIT-IBM Watson AI Lab 및 DeepMind가 실시한 새로운 연구는 이미지의 의미 파악과 같은 특정 상징적 작업에 AI 훈련을 적용할 때의 잠재력을 보여줍니다. 따라서 실험에서 과학자의 AI 모델은 색상, 모양 등 객체와 관련된 개념을 획득한 다음 해당 지식을 사용하여 장면의 많은 객체 간의 관계를 생성하는 동시에 최소한의 교육 데이터만 필요하고 명시적으로 프로그래밍할 필요가 없습니다.

“우리 모두는 단어와 그림을 조합하여 사용하는 것이 아이들이 특정 개념을 배우고 기억하는 데 효과적인 방법이라는 것을 알고 있습니다. 이 AI 기호 모델에 대한 우리의 생각은 동일합니다. 덕분에 시스템에는 훈련 데이터가 덜 필요하고, 획득한 지식을 새로운 상황에 더 잘 전달할 수 있을 것입니다."라고 프로젝트 책임자인 컴퓨터 과학자 Jiayuan Mao가 말했습니다.

• Google 연구진은 강화 학습을 개선하기 위해 AI가 게임을 할 수 있도록 허용했습니다.

기본적으로 이 AI 모델은 이미지를 객체 기반 해석으로 변환하는 정보 수신 구성 요소와 단어와 문장에서 의미를 추출하는 언어 계층으로 구성됩니다. 그런 다음 AI가 방법을 알 수 있도록 돕는 "기호 프로그램"을 만듭니다. 질문에 답하세요. 또한 백그라운드에서 기호 프로그램을 실행하고 답변을 제공하며 AI 모델에 실수가 있을 경우 지식을 업데이트하는 세 번째 모듈도 포함될 예정입니다.

연구원들은 많은 관련 질문과 답변이 결합된 이미지를 통해 이 AI 모델을 훈련했습니다. 이미지를 이해하는 AI의 능력은 스탠포드 대학에서 감독되었습니다. 일반적으로 AI는 다음과 같은 질문에 대답해야 합니다. 물체의 색상은 무엇입니까? 다른 개체 옆에 몇 개의 개체가 있습니까? 아니면 이 물체는 어떤 재료로 만들어졌나요? AI 모델에 대한 이해 수준이 높을수록 질문의 복잡성은 자연스럽게 증가할 것이며, 객체 수준의 개념을 익히게 되면 AI 모델은 여러 객체와 객체 사이의 속성을 함께 연결하는 방법을 배우게 되며, 이는 고급 단계로 간주될 수 있습니다.

• Winnow는 컴퓨터 비전을 사용하여 식품 가공 시 폐기물을 줄이는 데 도움을 줍니다.

실험 결과, 이 AI 모델은 이미지 5,000개, 이미지 10만 개(기존 AI 모델 약 7만 개, 질문 70만 개)만 사용해도 새로운 장면과 개념을 거의 완벽하게 해석할 수 있어 다른 첨단 AI 시스템을 능가하는 것으로 나타났다. . 앞으로 연구원들의 주요 작업은 실제 사진을 이해하는 AI 모델의 성능을 향상시킨 다음 점차적으로 비디오 및 로봇 조작으로 나아가는 것입니다.