211service.com
Denne AI-en tenker som en hund
Alle hundeeiere kan vitne om den kraftige intelligensen til sine firbeinte venner. Faktisk gir mange hunder viktige tjenester, som å veilede mennesker som er synshemmede, finne tapte individer eller snuse opp narkotika og andre smuglervarer.
Disse evnene er hinsides selv den kraftigste kunstige intelligensen. Og likevel har AI-forskere ennå ikke utnyttet dem når de trener AI-systemer for å bli mer kapable.
I dag endrer dette seg takket være arbeidet til Kiana Ehsani ved University of Washington i Seattle og kolleger, som har samlet et unikt datasett med hundeatferd og brukt det til å trene et AI-system til å ta hundelignende avgjørelser. Tilnærmingen deres åpner for et nytt område innen AI-forskning som studerer evnene til andre intelligente vesener på planeten vår.
Teamet begynner med å bygge en database over hundeatferd. De gjør dette ved å utstyre en enkelt hund med treghetsmåleenheter på beina, halen og kroppen for å registrere deres relative vinkel og dyrets absolutte posisjon.
De monterte også et GoPro-kamera på hundens hode for å ta opp den visuelle scenen, samplet med en hastighet på fem bilder per sekund, og en mikrofon på hundens rygg for å ta opp lyd. Dataene ble registrert av en Arduino-enhet på hundens rygg.
Totalt samlet teamet rundt 24 500 videobilder med synkronisert kroppsposisjon og bevegelsesdata. De brukte 21 000 av disse rammene til AI-trening og resten til validering og testing av AI-systemet.
Teamet undersøkte hvordan man oppfører seg som en hund, hvordan man planlegger som en hund, og hvordan man lærer av en hund.
I den første oppgaven var målet å forutsi fremtidige bevegelser til hunden gitt en sekvens av bilder. AI gjør dette ved å se på videorammer og studere hva hunden gjorde neste gang.
Ved å lære på denne måten blir systemet godt til å presist forutsi de neste fem bevegelsene etter å ha sett en sekvens på fem bilder. Vår modell forutsier de fremtidige hundebevegelsene riktig ved kun å observere bildene hunden observerte i de tidligere tidstrinnene, sier Ehsani og co.
Planleggingsoppgaven er litt vanskeligere. Målet her er å finne en sekvens av handlinger som flytter hunden mellom plasseringene til et gitt bildepar. AI lærer dette igjen ved å studere handlingene knyttet til et bredt spekter av sekvensielle videorammer.
Nok en gang fungerer systemet bra. Resultatene våre viser at modellen vår overgår disse grunnlinjene i den utfordrende oppgaven med å planlegge som en hund både når det gjelder nøyaktighet og rådvillhet, sier teamet.
Den siste oppgaven er å lære av hundens oppførsel. En ting hunder lærer er hvor de kan og ikke kan gå. Så teamet bruker databasen til å trene AI til å gjenkjenne hvilke typer overflater som kan gås og merke disse i nye bilder.
Det er interessant arbeid som viser hvordan AI-systemer kan matche visse typer dyrs ytelse. Vår modell lærer av egosentrisk video- og bevegelsesinformasjon å handle og planlegge som en hund ville gjort i samme situasjon, sier de.
Selvfølgelig er det mye arbeid foran oss. For eksempel samler dette arbeidet data fra en enkelt hund. Så teamet ønsker å studere data samlet fra et bredt spekter av hunder. Det vil tillate dem å sammenligne oppførselen deres og forstå hundens visuelle intelligens mer detaljert.
Men det er ingen grunn til at tilnærmingen skal begrenses til hunder. Det ville være mye å lære ved å samle lignende datasett for aper, husdyr og alle slags dyr i naturen. Som Ehsani og co sa det: Vi håper dette arbeidet baner vei for bedre forståelse av visuell intelligens og andre intelligente vesener som bor i vår verden.
Ref: arxiv.org/abs/1803.10827 : Hvem slapp ut hundene? Modellering av hundeatferd fra visuelle data