Модель искусственного интеллекта MIT может самостоятельно фиксировать отношения между объектами с минимальными обучающими данными.

Системы глубокого обучения работают, выявляя статистические закономерности в данных — именно так они интерпретируют собственное мировоззрение. Однако этот метод статистического обучения требует большого количества входных данных и не особенно полезен, помогая системам глубокого обучения применять знания из прошлого к новым ситуациям, в отличие от символического ИИ, который позволяет записывать последовательность шагов, предпринятых для создания статистических данных. решение с меньшим количеством данных, чем традиционные методы.

• Премию «Нобелевскую премию по технологиям» присудили программному обеспечению, которое учит ИИ учиться, как люди

Новое исследование, проведенное группой ученых в области искусственного интеллекта из Массачусетского технологического института, MIT-IBM Watson AI Lab и DeepMind, показывает потенциал обучения ИИ применительно к конкретной символической задаче, например, к пониманию значения изображений. Соответственно, в экспериментах модели ИИ ученых приобретали понятия, связанные с такими объектами, как цвет и форма, а затем использовали эти знания для создания связей между множеством объектов в сцене, при этом требовались лишь минимальные данные для обучения и не требовалось явного программирования.

«Мы все знаем, что использование сочетания слов и иллюстраций — эффективный способ помочь детям выучить и запомнить определенную концепцию. Наше представление об этой символической модели ИИ одинаковое. Благодаря этому системе потребуется меньше данных для обучения, и она сможет лучше переносить полученные знания в новые ситуации», — поделился исследованиями руководитель проекта учёный-компьютерщик Цзяюань Мао.

• Исследователи Google позволили ИИ играть в игры, чтобы улучшить обучение с подкреплением

По сути, эта модель ИИ состоит из компонента приема информации, который преобразует изображения в объектно-ориентированную интерпретацию, и языкового слоя, который извлекает смысл из слов и предложений, а затем создает «символические программы», которые помогают ИИ узнать, как Ответ на вопрос. Кроме того, будет третий модуль, который запускает символьные программы в фоновом режиме и предоставляет ответы, обновляя знания модели ИИ, когда она допускает ошибки.

Исследователи обучили эту модель ИИ на изображениях в сочетании со многими соответствующими вопросами и ответами. Способность ИИ понимать изображения тогда контролировалась Стэнфордским университетом. В общем, ИИ должен отвечать на такие вопросы, как: Какого цвета объект? Сколько объектов находится рядом с другим объектом? Или из какого материала сделан этот предмет? Сложность вопросов, естественно, будет увеличиваться с уровнем понимания модели ИИ, и по мере освоения концепций объектного уровня модель ИИ научится устанавливать связи между многими объектами и объектами, их свойствами вместе, это можно считать продвинутой стадией.

• Winnow использует компьютерное зрение, чтобы сократить количество отходов в пищевой промышленности

В экспериментах было показано, что эта модель ИИ способна почти идеально интерпретировать новые сцены и концепции, превосходя другие продвинутые системы ИИ, используя при этом всего 5000 изображений и 100 000 вопросов (по сравнению с примерно 70 000 изображений и 700 000 вопросов для обычных моделей ИИ). . В будущем основная работа исследователей будет заключаться в повышении производительности модели ИИ в понимании реальных фотографий, а затем постепенном переходе к видео и роботизированным манипуляциям.