211service.com
For at blive rigtig smart, skal AI muligvis spille flere videospil
De nyeste computerspil kan være fantastisk realistiske. Overraskende nok kan disse naturtro virtuelle verdener også have en vis uddannelsesmæssig værdi - især for nye AI-algoritmer.
Adrien Gaidon, en datalog ved Xerox Research Center Europe i Grenoble, Frankrig, husker at have set nogen spille videospillet Assassins Creed da han indså, at spillets fotorealistiske sceneri kunne tilbyde en nyttig måde at lære AI-algoritmer om den virkelige verden. Gaidon tester nu denne idé ved at udvikle meget realistiske 3-D-miljøer til at træne algoritmer i, hvordan man genkender bestemte objekter eller scenarier i den virkelige verden.
Idéen er vigtig, fordi banebrydende AI-algoritmer skal fodre på enorme mængder data for at lære at udføre en opgave. Nogle gange er det ikke et problem. Facebook har for eksempel millioner af mærkede fotografier til at træne de algoritmer, der automatisk tagger venner i upload af billeder (se Facebook skaber software, der matcher ansigter næsten lige så godt som du gør). Ligeledes fanger Google enorme mængder data ved hjælp af sine selvkørende biler, som derefter bruges til at forfine de algoritmer, der styrer disse køretøjer.
Men de fleste virksomheder har ikke adgang til sådanne enorme datasæt, eller midlerne til at generere sådanne data fra bunden.
For at udfylde disse huller brugte Gaidon og kolleger en populær spiludviklingsmotor, kaldet Enhed , for at generere virtuelle scener til træning af dyb-læringsalgoritmer - en meget stor type simuleret neurale netværk - til at genkende objekter og situationer i rigtige billeder. Unity er meget brugt til at lave 3-D videospil, og mange almindelige objekter er tilgængelige for udviklere til at bruge i deres kreationer.
Et papir, der beskriver Xerox-teamets arbejde, vil blive præsenteret på en computervisionskonference senere i år. Ved at skabe en virtuel indstilling og lade en algoritme se mange variationer fra forskellige vinkler og med forskellig belysning, er det muligt at lære den algoritme at genkende det samme objekt i rigtige billeder eller videooptagelser. Det gode ved virtuelle verdener er, at du kan skabe enhver form for scenarie, siger Gaidon.
Gaidons gruppe udtænkte også en måde at konvertere en rigtig scene til en virtuel ved at bruge en laserscanner til at fange en scene i 3-D og derefter importere denne information til den virtuelle verden. Gruppen var i stand til at måle nøjagtigheden af tilgangen ved at sammenligne algoritmer, der er trænet i virtuelle miljøer, med dem, der er trænet ved hjælp af rigtige billeder, kommenteret af mennesker. Fordelene ved simulering er velkendte, siger han, men [vi spekulerede på], kan vi generere virtual reality, der kan narre en AI?
Xerox-forskerne håber at kunne anvende teknikken i to situationer. For det første planlægger de at bruge det til at finde tomme parkeringspladser på gaden ved hjælp af kameraer monteret på busser. Normalt ville dette indebære at indsamle masser af videooptagelser og lade nogen manuelt kommentere tomme rum. En enorm mængde træningsdata kan genereres automatisk ved hjælp af det virtuelle miljø skabt af Xerox-teamet. For det andet undersøger de, om det kan bruges til at lære om medicinske problemer ved hjælp af virtuelle hospitaler og patienter.
Udfordringen med at lære med mindre data er velkendt blandt dataloger, og det inspirerer mange forskere til at udforske nye tilgange, hvoraf nogle henter inspiration fra menneskelig læring (se Can This Man Make AI More Human?).
Det synes jeg er en meget god idé, siger Josh Tenenbaum , professor i kognitiv videnskab og beregning ved MIT, fra Xerox-projektet. Det er en, som vi og mange andre har forfulgt i forskellige former.