İş Yazılımı

MITin yapay zeka modeli, minimum eğitim verisiyle kendi başına nesneler arasındaki ilişkileri yakalayabilir

Derin öğrenme sistemleri verilerdeki istatistiksel kalıpları tespit ederek çalışır; kendi dünya görüşlerini bu şekilde yorumlarlar. Ancak bu istatistiksel öğrenme yöntemi büyük miktarda girdi verisi gerektirir...

Derin öğrenme sistemleri verilerdeki istatistiksel kalıpları tespit ederek çalışır; kendi dünya görüşlerini bu şekilde yorumlarlar. Bununla birlikte, bu istatistiksel öğrenme yöntemi, büyük miktarda girdi verisi gerektirir ve derin öğrenme sistemlerinin geçmişteki bilgileri yeni durumlara uygulamasına yardımcı olma konusunda özellikle yararlı değildir; bu, bir veri oluşturmak için atılan adımların sırasının kaydedilmesine izin veren sembolik yapay zeka gibi bir durumdur. geleneksel yöntemlere göre daha az veriyle karar verir.

MIT'in yapay zeka modeli, minimum eğitim verisiyle kendi başına nesneler arasındaki ilişkileri yakalayabilir

MIT, MIT-IBM Watson AI Lab ve DeepMind'daki yapay zeka bilim adamlarından oluşan bir ekip tarafından yürütülen yeni bir çalışma, yapay zeka eğitiminin belirli, sembolik bir göreve (örneğin, görüntülerin anlamını kavramak) uygulandığında potansiyelini gösteriyor. Buna göre, deneylerde bilim adamlarının yapay zeka modelleri, nesnelerle ilgili renk ve şekil gibi kavramları edindi, ardından bu bilgiyi bir sahnedeki birçok nesne arasında ilişkiler oluşturmak için kullandı, ancak yalnızca minimum düzeyde eğitim verisi gerektirdi ve açıkça programlanmasına gerek kalmadı.

“Hepimiz, kelimelerin ve resimlerin bir kombinasyonunun kullanılmasının, çocukların belirli bir kavramı öğrenmesine ve hatırlamasına yardımcı olmanın etkili bir yolu olduğunu biliyoruz. Bu yapay zeka sembolik modeliyle ilgili düşüncemiz aynı. Bu sayede sistem daha az eğitim verisine ihtiyaç duyacak ve edindiği bilgiyi yeni durumlara daha iyi aktarabilecek" diyen projenin başkanı bilgisayar bilimcisi Jiayuan Mao, araştırmayı paylaştı.

MIT'in yapay zeka modeli, minimum eğitim verisiyle kendi başına nesneler arasındaki ilişkileri yakalayabilir

Temel olarak, bu yapay zeka modeli, görüntüleri nesne tabanlı yorumlamaya dönüştüren bir bilgi alma bileşeninden ve kelimelerden ve cümlelerden anlam çıkaran bir dil katmanından oluşur ve ardından yapay zekanın nasıl yapılacağını bilmesine yardımcı olan "sembolik programlar" oluşturur. soruyu cevapla. Ayrıca arka planda sembolik programları çalıştıran ve yanıtlar sağlayan, hata yaptığında AI modeline bilgiyi güncelleyen üçüncü bir modül olacak.

Araştırmacılar bu yapay zeka modelini birçok ilgili soru ve yanıtla birlikte görüntüler üzerinde eğitti. Yapay zekanın görüntüleri anlama yeteneği daha sonra Stanford Üniversitesi tarafından denetlendi. Genel olarak yapay zekanın şu tür sorulara yanıt vermesi gerekir: Nesnenin rengi nedir? Başka bir nesnenin yanında kaç nesne var? Veya bu nesne hangi malzemeden yapılmıştır? Yapay Zeka modelinin anlaşılma düzeyi arttıkça soruların karmaşıklığı da doğal olarak artacak ve nesne düzeyindeki kavramlara hakim oldukça, Yapay Zeka modeli birçok nesne ve nesne arasında nasıl bağlantı kurulacağını öğrenecek, bunların özelliklerini birlikte öğrenecek, bu ileri bir aşama sayılabilir.

MIT'in yapay zeka modeli, minimum eğitim verisiyle kendi başına nesneler arasındaki ilişkileri yakalayabilir

Deneylerde, bu yapay zeka modelinin, yalnızca 5.000 görüntü, görüntü ve 100.000 soru (geleneksel yapay zeka modelleri için yaklaşık 70.000 görüntü ve 700.000 soruyla karşılaştırıldığında) kullanırken, diğer gelişmiş yapay zeka sistemlerinden daha iyi performans göstererek yeni sahneleri ve konseptleri neredeyse mükemmel bir şekilde yorumlayabildiği gösterildi. . Gelecekte araştırmacıların ana çalışması, yapay zeka modelinin gerçek dünyadaki fotoğrafları anlama performansını artırmak, ardından yavaş yavaş video ve robotik manipülasyona doğru ilerlemek olacak.

More in İş Yazılımı