Zinātnieki dod AI iespēju iztēloties lietas, kas vēl nekad nav redzētas

(Artur Debat/Getty Images)

Mākslīgais intelekts(AI) ir izrādījies ļoti prasmīgs noteiktos uzdevumos, piemēramizgudrojot cilvēku sejaskas patiesībā neeksistē, vaiuzvaras pokera spēlēs– taču šiem tīkliem joprojām ir grūtības, kad runa ir par kaut ko, ko cilvēki dara dabiski: iedomājieties.

Kad cilvēki zina, kas ir kaķis, mēs varam viegli iedomāties kaķi citā krāsā vai kaķi citā pozā vai kaķi citā vidē. AI tīkliem tas ir daudz grūtāk, lai gan tie var atpazīt kaķi, kad to redz (ar pietiekamu apmācību).

Lai mēģinātu atraisīt AI iztēles spēju, pētnieki ir nākuši klajā ar jaunu metodi, kas ļauj mākslīgais intelekts sistēmas, lai noteiktu, kā objektam vajadzētu izskatīties, pat ja viņi nekad nav redzējuši tādu, kāds tas ir.



'Mūsu iedvesmoja cilvēka vizuālās vispārināšanas spējas, lai mēģinātu simulēt cilvēka iztēli mašīnās.' saka datorzinātnieks Yunhao Ge no Dienvidkalifornijas universitātes (USC).

'Cilvēki var atdalīt savas apgūtās zināšanas pēc atribūtiem, piemēram, formas, pozas, pozīcijas, krāsas - un pēc tam tās pārkombinēt, lai iedomāties jaunu objektu. Mūsu raksts mēģina simulēt šo procesu, izmantojot neironu tīklus.

Galvenais ir ekstrapolācija — iespēja izmantot lielu apmācību datu banku (piemēram, automašīnas attēlus), lai pēc tam pārietu ārpus redzētā uz neredzamo. AI tas ir grūti, jo tas parasti ir apmācīts pamanīt konkrētus modeļus, nevis plašākus atribūtus.

Tas, ko komanda šeit ir izstrādājusi, tiek saukta par vadāmu atdalītu reprezentācijas mācīšanos, un tajā tiek izmantota pieeja, kas līdzīga tai, ko izmantojaizveidot dziļus viltojumus– dažādu parauga daļu atdalīšana (tādējādi nošķirot sejas kustību un sejas identitāti dziļās viltus video gadījumā).

Tas nozīmē, ka, ja mākslīgais intelekts ieraudzīs sarkanu automašīnu un zilu velosipēdu, tas varēs “iztēloties” sev sarkanu velosipēdu, pat ja tas nekad iepriekš tādu nav redzējis. Pētnieki to ir apvienojuši sistēmā, ko viņi sauc par grupas uzraudzītu mācīšanos.

Jaunu datu ekstrapolēšana no apmācības datiem. (Itti et al., 2021)

Viens no galvenajiem šīs tehnikas jauninājumiem ir paraugu apstrāde grupās, nevis atsevišķi, un semantisko saikņu veidošana starp tiem. AI pēc tam spēj atpazīt līdzības un atšķirības paraugos, ko tas redz, izmantojot šīs zināšanas, lai radītu kaut ko pilnīgi jaunu.

'Šī jaunā atdalīšanas pieeja pirmo reizi patiesi atbrīvo mākslīgā intelekta sistēmās jaunu iztēles sajūtu, tuvinot tās cilvēku izpratnei par pasauli.' saka USC datorzinātnieks Lorāns Iti .

Šīs idejas nav pilnīgi jauns , taču šeit pētnieki ir izmantojuši jēdzienus tālāk, padarot pieeju elastīgāku un saderīgāku ar papildu datu veidiem. Viņi ir arī izveidojuši ietvaru atvērtā pirmkoda veidā, lai citi zinātnieki varētu to izmantot vieglāk.

Nākotnē šeit izstrādātā sistēma varētu aizsargāties pret AI novirzēm, no vienādojuma noņemot jutīgākus atribūtus, piemēram, palīdzot izveidot neironu tīklus, kas nav rasistiski vai seksistiski.

Pētnieki saka, ka to pašu pieeju varētu izmantot arī medicīnas un pašbraucošo automašīnu jomās, jo mākslīgais intelekts spēj 'iztēloties' jaunas zāles vai vizualizēt jaunus ceļu scenārijus, kuriem tas iepriekš nav īpaši apmācīts.

'Padziļināta mācīšanās jau ir parādījusi nepārspējamu veiktspēju un solījumu daudzās jomās, taču pārāk bieži tas ir noticis ar seklu atdarināšanu un bez dziļākas izpratnes par atsevišķiem atribūtiem, kas padara katru objektu unikālu.' saka Iti .

Pētījums tika prezentēts 2021 Starptautiskā konference par mācīšanās reprezentācijām un to var lasīt šeit .

Populārākas Kategorijas: Tech , Veselība , Sabiedrību , Dabu , Skaidrotājs , Neklasificēts , Fizika , Viedoklis , Daba , Vidi ,

Par Mums

Neatkarīgu, Pārbaudītu Faktu Publicēšana Par Veselību, Telpu, Dabu, Tehnoloģijām Un Vidi.