Modelul AI al MIT poate captura relațiile dintre obiecte singur, cu date minime de antrenament

Sistemele de învățare profundă funcționează prin alegerea tiparelor statistice în date - așa își interpretează propria viziune asupra lumii. Cu toate acestea, această metodă de învățare statistică necesită o cantitate mare de date de intrare și nu este deosebit de utilă pentru a ajuta sistemele de învățare profundă să aplice cunoștințele din trecut în situații noi, spre deosebire de IA simbolică, care permite înregistrarea secvenței pașilor parcurși pentru a realiza un decizie cu mai puține date decât metodele tradiționale.

• Premiul „Tehnologie Nobel” a fost acordat software-ului care învață AI să învețe ca oamenii

Un nou studiu realizat de o echipă de oameni de știință în inteligența artificială de la MIT, MIT-IBM Watson AI Lab și DeepMind arată potențialul antrenamentului AI atunci când este aplicat la o sarcină specifică, simbolică, de exemplu, înțelegerea semnificației imaginilor. În consecință, în experimente, modelele AI ale oamenilor de știință au dobândit concepte legate de obiecte, cum ar fi culoarea și forma, apoi au folosit aceste cunoștințe pentru a crea relații între multe obiecte, obiecte dintr-o scenă, necesitând în același timp doar date de antrenament minime și nefiind programate în mod explicit.

„Știm cu toții că utilizarea unei combinații de cuvinte și ilustrații este o modalitate eficientă de a ajuta copiii să învețe și să-și amintească un anumit concept. Ideea noastră despre acest model simbolic AI este aceeași. Datorită acestui fapt, sistemul va avea nevoie de mai puține date de antrenament și va fi mai capabil să transfere cunoștințele pe care le-a dobândit în situații noi”, a declarat informaticianul Jiayuan Mao, șeful proiectului.

• Cercetătorii Google au permis inteligenței artificiale să joace jocuri pentru a îmbunătăți învățarea prin consolidare

În esență, acest model AI constă dintr-o componentă de primire a informațiilor, care convertește imaginile în interpretare bazată pe obiecte și un strat de limbaj care extrage semnificația din cuvinte și propoziții. , apoi creează „programe simbolice” care ajută AI să știe cum să răspunde la întrebare. În plus, va exista un al treilea modul care rulează programe simbolice în fundal și oferă răspunsuri, actualizând cunoștințele la modelul AI atunci când face greșeli.

Cercetătorii au antrenat acest model AI pe imagini combinate cu multe întrebări și răspunsuri relevante. Capacitatea AI de a înțelege imagini a fost apoi supravegheată de Universitatea Stanford. În general, AI trebuie să răspundă la întrebări precum: Care este culoarea obiectului? Câte obiecte sunt lângă alt obiect? Sau din ce material este realizat acest obiect? Complexitatea întrebărilor va crește în mod natural odată cu nivelul de înțelegere al modelului AI și, pe măsură ce stăpânește conceptele la nivel de obiect, modelul AI va învăța cum să facă conexiuni între multe obiecte și obiecte, proprietățile lor împreună, aceasta poate fi considerată o etapă avansată.

• Winnow folosește viziunea computerizată pentru a ajuta la reducerea deșeurilor în procesarea alimentelor

În experimente, s-a demonstrat că acest model AI este capabil să interpreteze noi scene și concepte aproape perfect, depășind alte sisteme AI avansate, folosind în același timp doar 5.000 de imagini, imagini și 100.000 de întrebări (comparativ cu aproximativ 70.000 de imagini și 700.000 de întrebări pentru modelele AI convenționale) . În viitor, principala activitate a cercetătorilor va fi îmbunătățirea performanței modelului AI în înțelegerea fotografiilor din lumea reală, apoi trecerea treptat către manipularea video și robotică.