Deep learning-systemen werken door statistische patronen in gegevens te onderscheiden - zo interpreteren ze hun eigen wereldbeeld. Deze methode van statistisch leren vereist echter een grote hoeveelheid invoergegevens en is niet bijzonder nuttig om diepgaande leersystemen te helpen kennis uit het verleden toe te passen op nieuwe situaties, in tegenstelling tot symbolische AI, die het mogelijk maakt de reeks stappen vast te leggen die zijn genomen om een besluitvorming met minder gegevens dan traditionele methoden.

Een nieuwe studie uitgevoerd door een team van kunstmatige intelligentiewetenschappers van MIT, MIT-IBM Watson AI Lab en DeepMind toont het potentieel van AI-training wanneer toegepast op een specifieke, symbolische taak, bijvoorbeeld het begrijpen van de betekenis van afbeeldingen. Dienovereenkomstig verwierven de AI-modellen van wetenschappers in experimenten concepten die verband hielden met objecten zoals kleur en vorm, en gebruikten ze die kennis vervolgens om relaties tussen veel objecten in een scène te creëren, terwijl ze slechts minimale trainingsgegevens vereisten en niet expliciet geprogrammeerd hoefden te worden.
“We weten allemaal dat het gebruik van een combinatie van woorden en illustraties een effectieve manier is om kinderen te helpen een specifiek concept te leren en te onthouden. Ons idee van dit AI-symbolische model is hetzelfde. Dankzij dat heeft het systeem minder trainingsgegevens nodig en zal het de opgedane kennis beter kunnen overbrengen naar nieuwe situaties”, zegt computerwetenschapper Jiayuan Mao, hoofd van het project.
![Het AI-model van MIT kan op zichzelf relaties tussen objecten vastleggen met minimale trainingsgegevens Het AI-model van MIT kan op zichzelf relaties tussen objecten vastleggen met minimale trainingsgegevens]()
In wezen bestaat dit AI-model uit een informatie-ontvangende component, die afbeeldingen omzet in objectgebaseerde interpretatie, en een taallaag die betekenis uit woorden en zinnen haalt. beantwoord de vraag. Daarnaast komt er een derde module die symbolische programma’s op de achtergrond draait en antwoorden geeft, waardoor kennis wordt bijgewerkt naar het AI-model wanneer het fouten maakt.
De onderzoekers trainden dit AI-model op beelden gecombineerd met veel relevante vragen en antwoorden. Het vermogen van de AI om beelden te begrijpen werd vervolgens gecontroleerd door Stanford University. Over het algemeen moet AI vragen beantwoorden als: Wat is de kleur van het object? Hoeveel objecten bevinden zich naast een ander object? Of van welk materiaal is dit object gemaakt? De complexiteit van de vragen zal uiteraard toenemen naarmate het niveau van begrip van het AI-model toeneemt, en naarmate het concepten op objectniveau beheerst, zal het AI-model leren verbindingen te leggen tussen veel objecten en hun eigenschappen samen. dit kan als een vergevorderd stadium worden beschouwd.
![Het AI-model van MIT kan op zichzelf relaties tussen objecten vastleggen met minimale trainingsgegevens Het AI-model van MIT kan op zichzelf relaties tussen objecten vastleggen met minimale trainingsgegevens]()
In experimenten bleek dit AI-model nieuwe scènes en concepten bijna perfect te kunnen interpreteren en daarmee beter te presteren dan andere geavanceerde AI-systemen, terwijl het slechts 5.000 afbeeldingen en 100.000 vragen gebruikte (vergeleken met ongeveer 70.000 afbeeldingen en 700.000 vragen voor conventionele AI-modellen) . In de toekomst zal het belangrijkste werk van de onderzoekers zijn het verbeteren van de prestaties van het AI-model bij het begrijpen van foto's uit de echte wereld, en vervolgens geleidelijk overgaan naar video- en robotmanipulatie.