211service.com
Denne AI tænker som en hund
Alle hundeejere kan vidne om deres firbenede venners stærke intelligens. Faktisk yder mange hunde vigtige tjenester, såsom at vejlede mennesker, der er svagtseende, finde tabte individer eller opsnuse stoffer og andet smuglergods.
Disse evner er ud over selv den mest kraftfulde kunstige intelligens. Og alligevel har AI-forskere endnu ikke udnyttet dem til at træne AI-systemer til at blive mere dygtige.
I dag ændrer det sig takket være arbejdet fra Kiana Ehsani ved University of Washington i Seattle og kolleger, som har samlet et unikt datasæt om hundeadfærd og brugt det til at træne et AI-system til at træffe hundelignende beslutninger. Deres tilgang åbner op for et nyt område af AI-forskning, der studerer evnerne hos andre intelligente væsener på vores planet.
Holdet begynder med at opbygge en database over hundeadfærd. Det gør de ved at udstyre en enkelt hund med inertimålenheder på dens ben, hale og krop for at registrere deres relative vinkel og dyrets absolutte position.
De monterede også et GoPro-kamera på hundens hoved for at optage den visuelle scene, samplet med en hastighed på fem billeder i sekundet, og en mikrofon på hundens ryg til at optage lyd. Dataene blev registreret af en Arduino-enhed på hundens ryg.
I alt samlede holdet omkring 24.500 videorammer med synkroniseret kropsposition og bevægelsesdata. De brugte 21.000 af disse rammer til AI-træning og resten til validering og test af AI-systemet.
Holdet undersøgte, hvordan man opfører sig som en hund, hvordan man planlægger som en hund, og hvordan man lærer af en hund.
I den første opgave var målet at forudsige hundens fremtidige bevægelser givet en sekvens af billeder. AI'en gør dette ved at se på videorammer og studere, hvad hunden gjorde derefter.
Ved at lære på denne måde bliver systemet godt til præcist at forudsige de næste fem bevægelser efter at have set en sekvens på fem billeder. Vores model forudsiger korrekt de fremtidige hundebevægelser ved kun at observere de billeder, hunden observerede i de foregående tidstrin, siger Ehsani og co.
Planlægningsopgaven er lidt sværere. Målet her er at finde en sekvens af handlinger, der flytter hunden mellem placeringerne af et givet par billeder. AI'en lærer igen dette ved at studere de handlinger, der er forbundet med en lang række sekventielle videoframes.
Endnu en gang fungerer systemet godt. Vores resultater viser, at vores model overgår disse basislinjer i den udfordrende opgave at planlægge som en hund, både med hensyn til nøjagtighed og forvirring, siger teamet.
Den sidste opgave er at lære af hundens adfærd. En ting hunde lærer er, hvor de kan og ikke kan gå. Så teamet bruger databasen til at træne AI'en til at genkende, hvilke slags overflader der kan gås, og til at mærke disse i nye billeder.
Det er interessant arbejde, der viser, hvordan AI-systemer kan matche visse typer dyrs ydeevne. Vores model lærer fra egocentreret video og bevægelsesinformation at handle og planlægge, som en hund ville gøre i samme situation, siger de.
Selvfølgelig er der masser af arbejde forude. For eksempel samler dette arbejde data fra en enkelt hund. Så holdet vil gerne studere data indsamlet fra en lang række hunde. Det ville give dem mulighed for at sammenligne deres adfærd og forstå hundens visuelle intelligens mere detaljeret.
Men der er ingen grund til, at tilgangen skal begrænses til hunde. Der ville være meget at lære ved at indsamle lignende datasæt for aber, husdyr og alle slags dyr i naturen. Som Ehsani og co udtrykte det: Vi håber, at dette arbejde baner vejen for en bedre forståelse af visuel intelligens og af de andre intelligente væsener, der bebor vores verden.
Ref: arxiv.org/abs/1803.10827 : Hvem slap hundene fri? Modellering af hundeadfærd ud fra visuelle data