Model AI MIT boleh menangkap hubungan antara objek dengan sendirinya dengan data latihan yang minimum

Sistem pembelajaran mendalam berfungsi dengan memilih corak statistik dalam data - begitulah cara mereka mentafsir pandangan dunia mereka sendiri. Walau bagaimanapun, kaedah pembelajaran statistik ini memerlukan sejumlah besar data input, dan tidak begitu berguna dalam membantu sistem pembelajaran mendalam menggunakan pengetahuan dari masa lalu kepada situasi baharu, tidak seperti AI simbolik, yang membolehkan merekodkan urutan langkah yang diambil untuk membuat keputusan dengan data kurang daripada kaedah tradisional.

• Anugerah 'Teknologi Nobel' telah dianugerahkan kepada perisian yang mengajar AI untuk belajar seperti manusia

Satu kajian baharu yang dijalankan oleh pasukan saintis kecerdasan buatan di MIT, MIT-IBM Watson AI Lab dan DeepMind menunjukkan potensi latihan AI apabila digunakan pada tugas simbolik yang khusus, contohnya, memahami makna imej. Sehubungan itu, dalam eksperimen, model AI saintis memperoleh konsep yang berkaitan dengan objek seperti warna dan bentuk, kemudian menggunakan pengetahuan tersebut untuk mewujudkan hubungan antara banyak objek. objek dalam adegan, sambil memerlukan hanya data latihan yang minimum dan tidak perlu diprogramkan secara eksplisit.

“Kita semua tahu bahawa menggunakan gabungan perkataan dan ilustrasi adalah cara yang berkesan untuk membantu kanak-kanak belajar dan mengingati konsep tertentu. Idea kami tentang model simbolik AI ini adalah sama. Terima kasih kepada itu, sistem akan memerlukan kurang data latihan, dan akan lebih mampu memindahkan pengetahuan yang telah diperolehnya kepada situasi baharu," kata saintis komputer Jiayuan Mao, ketua projek. berkongsi penyelidikan.

• Penyelidik Google membenarkan AI bermain permainan untuk meningkatkan pembelajaran pengukuhan

Pada asasnya, model AI ini terdiri daripada komponen penerima maklumat, yang menukar imej kepada tafsiran berasaskan objek, dan lapisan bahasa yang mengekstrak makna daripada perkataan dan ayat. , kemudian buat "program simbolik" yang membantu AI mengetahui cara untuk jawab soalan itu. Di samping itu, akan ada modul ketiga yang menjalankan program simbolik di latar belakang dan memberikan jawapan, mengemas kini pengetahuan kepada model AI apabila ia membuat kesilapan.

Para penyelidik melatih model AI ini pada imej digabungkan dengan banyak soalan dan jawapan yang berkaitan. Keupayaan AI untuk memahami imej kemudiannya diawasi oleh Universiti Stanford. Secara umum, AI mesti menjawab soalan seperti: Apakah warna objek? Berapakah bilangan objek di sebelah objek lain? Atau objek ini diperbuat daripada bahan apa? Kerumitan soalan secara semula jadi akan meningkat dengan tahap pemahaman model AI, dan apabila ia menguasai konsep peringkat objek, model AI akan belajar cara membuat hubungan antara banyak objek dan objek. sifat mereka bersama-sama, ini boleh dianggap sebagai peringkat lanjutan.

• Winnow menggunakan penglihatan komputer untuk membantu mengurangkan sisa dalam pemprosesan makanan

Dalam eksperimen, model AI ini ditunjukkan mampu mentafsir adegan dan konsep baharu dengan hampir sempurna, mengatasi sistem AI termaju yang lain, sambil menggunakan hanya 5,000 imej. imej dan 100,000 soalan (berbanding dengan kira-kira 70,000 imej dan 700,000 soalan untuk model AI konvensional) . Pada masa hadapan, kerja utama penyelidik adalah untuk meningkatkan prestasi model AI dalam memahami foto dunia sebenar, kemudian secara beransur-ansur bergerak ke arah manipulasi video dan robotik.