211service.com
Neste store test for AI: Making Sense of the World
For noen år siden gjorde et gjennombrudd innen maskinlæring plutselig datamaskiner i stand til å gjenkjenne objekter vist på fotografier med enestående – nesten skummel – nøyaktighet. Spørsmålet nå er om maskiner kan ta et nytt sprang ved å lære å forstå hva som faktisk skjer i slike bilder.
En ny bildedatabase, kalt Visuelt genom , kunne presse datamaskiner mot dette målet, og bidra til å måle fremdriften til datamaskiner som forsøker å bedre forstå den virkelige verden. Å lære datamaskiner å analysere visuelle scener er grunnleggende viktig for kunstig intelligens. Det kan ikke bare skape mer nyttige synsalgoritmer, men også hjelpe med å lære datamaskiner hvordan de kan kommunisere mer effektivt, fordi språk er så nært knyttet til representasjon av den fysiske verden.
Visual Genome ble utviklet av Fei-Fei Li , en professor som spesialiserer seg på datasyn og som leder Stanford Artificial Intelligence Lab , sammen med flere kolleger. Vi fokuserer veldig på noen av de vanskeligste spørsmålene innen datasyn, som virkelig bygger bro mellom persepsjon og kognisjon, sier Li. Ikke bare å ta inn pikseldata og prøve å forstå fargen, skyggeleggingen, den slags ting, men virkelig gjøre det til en fyldigere forståelse av 3D så vel som den semantiske visuelle verdenen.
Li og kolleger opprettet tidligere ImageNet, en database som inneholder mer enn en million bilder merket i henhold til innholdet. Hvert år ImageNet Visual Recognition Challenge i stor skala tester datamaskiners evne til automatisk å gjenkjenne innholdet i bilder.
I 2012 bygde et team ledet av Geoffrey Hinton ved University of Toronto et stort og kraftig nevralt nettverk som kunne kategorisere bilder langt mer nøyaktig enn noe som er laget tidligere. Teknikken som brukes for å muliggjøre dette fremskrittet, kjent som dyp læring, innebærer å mate tusenvis eller millioner av eksempler inn i et mangelags nevralt nettverk, gradvis trene hvert lag av virtuelle nevroner til å reagere på stadig mer abstrakte egenskaper, fra teksturen til en hunds pels, si til dens generelle form.
Toronto-teamets prestasjon markerte både en boom av interesse for dyp læring og en slags renessanse innen kunstig intelligens mer generelt. Og dyp læring har siden blitt brukt på mange andre områder, noe som gjør datamaskiner bedre til andre viktige oppgaver, som å behandle lyd og tekst.
Bildene i Visual Genome er rikere tagget enn i ImageNet, inkludert navn og detaljer om ulike objekter vist i et bilde; forholdet mellom disse objektene; og informasjon om eventuelle handlinger som skjer. Dette ble oppnådd ved hjelp av en crowdsourcing-tilnærming utviklet av en av Li's kolleger på Stanford, Michael Bernstein . Planen er å lansere en utfordring i ImageNet-stil ved å bruke datasettet i 2017.
Algoritmer trent ved å bruke eksempler i Visual Genome kunne gjøre mer enn bare å gjenkjenne objekter, og burde ha en viss evne til å analysere mer komplekse visuelle scener.
Du sitter på et kontor, men hvordan er oppsettet, hvem er personen, hva gjør han, hva er gjenstandene rundt, hvilken hendelse skjer? sier Li. Vi bygger også bro over [denne forståelsen] til språk, fordi måten å kommunisere på er ikke ved å tilordne tall til piksler – du må koble persepsjon og erkjennelse til språk.
Li mener at dyp læring sannsynligvis vil spille en nøkkelrolle i å gjøre det mulig for datamaskiner å analysere mer komplekse scener, men at andre teknikker vil bidra til å fremme den nyeste teknologien.
De resulterende AI-algoritmene kan kanskje hjelpe til med å organisere bilder på nettet eller i personlige samlinger, men de kan ha mer betydningsfulle bruksområder, slik at roboter eller selvkjørende biler kan forstå en scene ordentlig. De kan tenkes også brukes til å lære datamaskiner mer sunn fornuft, ved å forstå hvilke konsepter som er fysisk sannsynlige eller mer usannsynlige.
Richard Socher , en maskinlæringsekspert og grunnleggeren av en AI-oppstart kalt MetaMind , sier at dette kan være det viktigste aspektet av prosjektet. En stor del av språket handler om å beskrive den visuelle verden, sier han. Dette datasettet gir en ny skalerbar måte å kombinere de to modalitetene og teste nye modeller.
Visual Genome er ikke den eneste komplekse bildedatabasen der ute for forskere å eksperimentere med. Microsoft har for eksempel en database som heter Vanlige objekter i kontekst , som viser navn og plassering av flere objekter i bilder. Google, Facebook og andre presser også evnen til AI-algoritmer til å analysere visuelle scener. Forskning publisert av Google i 2014 viste en algoritme som kan gi grunnleggende bildetekster for bilder, med varierende nivåer av nøyaktighet (se Googles hjerneinspirerte programvare beskriver hva den ser i komplekse bilder). Og mer nylig viste Facebook et spørsmål-og-svar-system som kan svare på veldig enkle spørsmål om bilder (se Facebook-appen kan svare på grunnleggende spørsmål om hva som er i bilder).
Aude Oliva , en professor ved MIT som studerer maskin- og menneskesyn, har utviklet en database kalt Steder 2 , som inneholder mer enn 10 millioner bilder av forskjellige spesifikke scener. Dette prosjektet er ment å inspirere til utvikling av algoritmer som er i stand til å beskrive den samme scenen på flere måter, slik mennesker pleier å gjøre. Oliva sier Visual Genome og lignende databaser vil bidra til å fremme maskinsyn, men hun tror at AI-forskere må hente inspirasjon fra biologien hvis de vil bygge maskiner med virkelig menneskelignende evner.
Mennesker trekker sin avgjørelse og intuisjon på lodd på kunnskap, sunn fornuft, sanseopplevelser, minner og 'tanker' som ikke nødvendigvis blir oversatt til språk, tale eller tekst, sier Oliva. Uten å vite hvordan den menneskelige hjernen skaper tanker, vil det være vanskelig å lære sunn fornuft og visuell forståelse til et kunstig system. Nevrovitenskap og informatikk er de to sidene av AI-mynten.