NVIDIA, daha az giriş verisi gerektiren yeni bir yapay zeka eğitim yöntemi buluyor

NVIDIA, üretken rakip ağların (GAN'ler) eğitimi için yeni bir yaklaşım geliştirdi. Bu yöntem, şu anda popüler olan yöntemlere göre önemli ölçüde daha az giriş verisi gerektirir. Eğitimin kalitesi hala kesinlikle garanti edilirken.

Bilmiyorsanız GAN 2 ayrı parçadan oluşan bir yapay zeka sistemidir:

• Bunlardan ilki, en gerçekçi verileri oluşturma hedefiyle eğitim örnekleri (sahte veriler) oluşturmaya yardımcı olan Üretken ağdır.
• İkincisi Ayrımcı ağdır: Görevi gerçek veriler ile sahte veriler arasında ayrım yapmaya çalışmak ve daha sonra bu verileri Üretken Ağın kendisini "yeniden eğitmek" için kullanmaktır.

GAN modeli

GAN sistemleri, her bağlama göre altyazıları hikayelere dönüştürmek, özellikle gerçekçiliği son derece yüksek yapay fotoğraf ve videolar oluşturmak gibi birçok yoğun görevde uygulanmıştır.

Temel olarak, yüksek tutarlılıkla güvenilir sonuçlar üretebilmek için geleneksel GAN ​​modelleri, giriş eğitim verileri olarak minimum 50.000 ila 100.000 görüntü gerektirecektir. Eğitim verilerinin miktarı çok küçükse, GAN modeli "aşırı uyum" adı verilen bir sorunla karşı karşıya kalma eğilimindedir. Bu durumda Ayrımcı ağ, Üretken ağı etkili bir şekilde eğitmek ve onunla etkileşime geçmek için yeterli temele sahip olmayacaktır.

• Yapay zeka zaten sadece birkaç parça bilgiden bir makalenin tamamını yazabiliyor

Geçmişte, yapay zeka araştırmacılarının eğitim verilerinin eksikliği sorununu çözmek için kullandıkları yaygın bir yöntem, "veri artırma" adı verilen bir teknik kullanmaktı. Yine görüntü algoritmasını örnek olarak kullanırsak, gerekli eğitim verilerinin yeterli olmadığı durumlarda uzmanlar, mevcut görüntülerin "bozuk" kopyalarını oluşturarak sorunu çözmeye çalışacaklardır. ek eğitim verileri olarak birden fazla görüntü oluşturun. Buradaki fikir, GAN modelinin tam olarak aynı görüntüyü iki kez görmesine izin vermemektir.

Ancak bu yaklaşımın sorunu, GAN'ın yeni bir şey oluşturmak yerine eğitim verilerindeki doğal olmayan değişiklikleri taklit etmeyi öğrenmesine neden olabilmesidir. Sorunu çözmek için NVIDIA, “Uyarlanabilir Farklılaşma Arttırma (ADA) adı verilen yeni bir yöntem geliştirdi. Temelinde hala veri artırma teknikleri yer alıyor ancak uyarlanabilir bir şekilde konuşlandırılıyor. ADA, tüm eğitim süreci boyunca görüntüleri gelişigüzel "bozmak" yerine, bu süreci seçici bir şekilde ve GAN'ın yine de en iyi performansı elde etmesini sağlayacak kadar gerçekleştirir.

ADA eğitim yönteminin olumlu sonuçları yapay zeka alanında birçok önemli çıkarımı da beraberinde getiriyor. Çünkü gerekli miktarda eğitim verisinin toplanması basit gibi görünse de gerçekte oldukça zordur. Örneğin, edebi kompozisyonun yapay zeka modeli için girdi eğitimi verilerinin eksikliği konusunda endişelenmenize gerek kalmayacak. Ancak nadir görülen nörolojik bozuklukları tespit etme konusunda uzmanlaşmış bir yapay zeka algoritması söz konusu olduğunda, yeterli eğitim verisinin toplanması büyük bir sorundur. NVIDIA'nın ADA yaklaşımıyla eğitilmiş bir GAN modeli yukarıdaki sorunu çözebilir.

NVIDIA, yaklaşan yapay zeka konferanslarında yeni ADA tekniği hakkında daha fazla bilgi paylaşacak.