Model sztucznej inteligencji MIT może samodzielnie uchwycić relacje między obiektami przy minimalnej ilości danych szkoleniowych

Systemy głębokiego uczenia się działają poprzez wybieranie wzorców statystycznych z danych – w ten sposób interpretują swój własny światopogląd. Jednak ta metoda uczenia się statystycznego wymaga dużej ilości danych wejściowych i nie jest szczególnie przydatna, gdy pomaga systemom głębokiego uczenia się w stosowaniu wiedzy z przeszłości w nowych sytuacjach, w przeciwieństwie do symbolicznej sztucznej inteligencji, która umożliwia rejestrowanie sekwencji kroków podjętych w celu stworzenia decyzji przy użyciu mniejszej ilości danych niż w przypadku metod tradycyjnych.

• Nagroda „Technologia Nobla” została przyznana oprogramowaniu, które uczy AI uczyć się jak ludzie

Nowe badanie przeprowadzone przez zespół naukowców zajmujących się sztuczną inteligencją z MIT, MIT-IBM Watson AI Lab i DeepMind pokazuje potencjał szkolenia AI w zastosowaniu do konkretnego, symbolicznego zadania, np. uchwycenia znaczenia obrazów. W związku z tym w eksperymentach modele sztucznej inteligencji naukowców przyswajały pojęcia związane z obiektami, takie jak kolor i kształt, a następnie wykorzystywały tę wiedzę do tworzenia relacji między wieloma obiektami w scenie, wymagając przy tym jedynie minimalnych danych szkoleniowych i bez konieczności bezpośredniego programowania.

„Wszyscy wiemy, że użycie kombinacji słów i ilustracji to skuteczny sposób, aby pomóc dzieciom w nauce i zapamiętywaniu określonych koncepcji. Nasza koncepcja tego symbolicznego modelu AI jest taka sama. Dzięki temu system będzie potrzebował mniej danych szkoleniowych, a zdobytą wiedzę będzie mógł lepiej przenieść do nowych sytuacji” – powiedział informatyk Jiayuan Mao, kierownik projektu. wspólne badania.

• Badacze Google pozwalają sztucznej inteligencji grać w gry, aby usprawnić uczenie się przez wzmacnianie

Zasadniczo ten model sztucznej inteligencji składa się z komponentu odbierającego informacje, który przekształca obrazy w interpretację opartą na obiektach, oraz warstwy językowej, która wydobywa znaczenie ze słów i zdań. Następnie tworzy „programy symboliczne”, które pomagają sztucznej inteligencji wiedzieć, jak Odpowiedz na pytanie. Dodatkowo pojawi się trzeci moduł, który w tle uruchamia symboliczne programy i dostarcza odpowiedzi, aktualizując wiedzę do modelu AI, gdy popełnia błędy.

Naukowcy przeszkolili ten model sztucznej inteligencji na obrazach połączonych z wieloma istotnymi pytaniami i odpowiedziami. Następnie Uniwersytet Stanforda nadzorował zdolność sztucznej inteligencji do rozumienia obrazów. Ogólnie rzecz biorąc, sztuczna inteligencja musi odpowiadać na pytania takie jak: Jaki jest kolor obiektu? Ile obiektów znajduje się obok innego obiektu? Albo z jakiego materiału jest wykonany ten przedmiot? Złożoność pytań będzie naturalnie rosła wraz z poziomem zrozumienia modelu AI, a w miarę opanowywania koncepcji na poziomie obiektowym model AI nauczy się, jak tworzyć połączenia między wieloma obiektami i obiektami, ich właściwości razem, można to uznać za etap zaawansowany.

• Winnow wykorzystuje wizję komputerową, aby pomóc w ograniczeniu odpadów w przetwórstwie żywności

W eksperymentach wykazano, że ten model sztucznej inteligencji jest w stanie niemal doskonale interpretować nowe sceny i koncepcje, przewyższając inne zaawansowane systemy sztucznej inteligencji, wykorzystując jedynie 5000 obrazów i 100 000 pytań (w porównaniu z około 70 000 obrazów i 700 000 pytań w przypadku konwencjonalnych modeli sztucznej inteligencji). . W przyszłości głównym zadaniem badaczy będzie poprawa wydajności modelu AI w rozumieniu zdjęć ze świata rzeczywistego, a następnie stopniowe przechodzenie w kierunku manipulacji wideo i robotycznej.