211service.com
Næste store test for AI: Making Sense of the World
For et par år siden gjorde et gennembrud inden for maskinlæring pludselig computere i stand til at genkende objekter vist på fotografier med hidtil uset - næsten uhyggelig - nøjagtighed. Spørgsmålet er nu, om maskiner kan tage endnu et spring ved at lære at forstå, hvad der rent faktisk foregår på sådanne billeder.
En ny billeddatabase, kaldet Visuelt genom , kunne skubbe computere mod dette mål og hjælpe med at måle fremskridt for computere, der forsøger at bedre forstå den virkelige verden. At lære computere at parse visuelle scener er grundlæggende vigtigt for kunstig intelligens. Det kan ikke kun skabe mere nyttige synsalgoritmer, men også hjælpe med at træne computere i, hvordan de kommunikerer mere effektivt, fordi sproget er så tæt knyttet til repræsentationen af den fysiske verden.
Visual Genome er udviklet af Fei-Fei Li , en professor med speciale i computervision og som leder Stanford Artificial Intelligence Lab sammen med flere kolleger. Vi fokuserer meget på nogle af de sværeste spørgsmål inden for computervision, som virkelig bygger bro mellem opfattelse og kognition, siger Li. Ikke bare at tage pixeldata ind og forsøge at give mening med dens farve, skygge, den slags ting, men virkelig gøre det til en mere fyldig forståelse af 3-D såvel som den semantiske visuelle verden.
Li og kolleger har tidligere oprettet ImageNet, en database, der indeholder mere end en million billeder tagget i henhold til deres indhold. Hvert år ImageNet Visual Recognition Challenge i stor skala tester computeres evne til automatisk at genkende indholdet af billeder.
I 2012 byggede et team ledet af Geoffrey Hinton ved University of Toronto et stort og kraftfuldt neuralt netværk, der kunne kategorisere billeder langt mere præcist end noget, der tidligere er skabt. Teknikken, der bruges til at muliggøre dette fremskridt, kendt som deep learning, involverer at fodre tusinder eller millioner af eksempler ind i et mangelags neuralt netværk, gradvist at træne hvert lag af virtuelle neuroner til at reagere på mere og mere abstrakte karakteristika, fra teksturen af en hunds pels, sige til dens overordnede form.
Toronto-holdets præstation markerede både et boom af interesse for dyb læring og en slags renæssance inden for kunstig intelligens mere generelt. Og deep learning er siden blevet anvendt på mange andre områder, hvilket gør computere bedre til andre vigtige opgaver, såsom behandling af lyd og tekst.
Billederne i Visual Genome er tagget mere rigt end i ImageNet, inklusive navne og detaljer om forskellige objekter vist i et billede; forholdet mellem disse objekter; og information om eventuelle handlinger, der finder sted. Dette blev opnået ved hjælp af en crowdsourcing-tilgang udviklet af en af Lis kollegaer hos Stanford, Michael Bernstein . Planen er at lancere en ImageNet-lignende udfordring ved hjælp af datasættet i 2017.
Algoritmer trænet ved hjælp af eksempler i Visual Genome kunne gøre mere end blot at genkende objekter og burde have en vis evne til at parse mere komplekse visuelle scener.
Du sidder på et kontor, men hvad er layoutet, hvem er personen, hvad laver han, hvad er objekterne omkring, hvilken begivenhed sker der? siger Li. Vi bygger også bro over [denne forståelse] til sproget, fordi måden at kommunikere på ikke er ved at tildele tal til pixels – du skal forbinde perception og kognition til sprog.
Li mener, at dyb læring sandsynligvis vil spille en nøglerolle i at sætte computere i stand til at analysere mere komplekse scener, men at andre teknikker vil hjælpe med at fremme det nyeste.
De resulterende AI-algoritmer kunne måske hjælpe med at organisere billeder online eller i personlige samlinger, men de kan have mere betydningsfulde anvendelser, hvilket gør det muligt for robotter eller selvkørende biler at forstå en scene ordentligt. De kunne tænkes også bruges til at lære computere mere sund fornuft ved at forstå, hvilke begreber der er fysisk sandsynlige eller mere usandsynlige.
Richard Socher , kaldet en maskinlæringsekspert og grundlæggeren af en AI-startup MetaMind , siger, at dette kunne være det vigtigste aspekt af projektet. En stor del af sproget handler om at beskrive den visuelle verden, siger han. Dette datasæt giver en ny skalerbar måde at kombinere de to modaliteter og teste nye modeller.
Visual Genome er ikke den eneste komplekse billeddatabase derude for forskere at eksperimentere med. Microsoft har for eksempel en database kaldet Fælles objekter i kontekst , som viser navnene og placeringen af flere objekter i billeder. Google, Facebook og andre presser også AI-algoritmernes evne til at analysere visuelle scener. Forskning udgivet af Google i 2014 viste en algoritme, der kan give grundlæggende billedtekster til billeder med varierende niveauer af nøjagtighed (se Googles hjerne-inspirerede software beskriver hvad det ser i komplekse billeder). Og for nylig viste Facebook et spørgsmål-og-svar-system, der kan besvare meget simple forespørgsler om billeder (se Facebook-appen kan besvare grundlæggende spørgsmål om, hvad der er i billeder).
Aude Oliva , en professor ved MIT, der studerer maskin- og menneskesyn, har udviklet en database kaldet Steder 2 , som indeholder mere end 10 millioner billeder af forskellige specifikke scener. Dette projekt er beregnet til at inspirere til udviklingen af algoritmer, der er i stand til at beskrive den samme scene på flere måder, som mennesker har en tendens til at gøre. Oliva siger, at Visual Genome og lignende databaser vil hjælpe med at fremme maskinsyn, men hun mener, at AI-forskere bliver nødt til at hente inspiration fra biologien, hvis de vil bygge maskiner med virkelig menneskelignende evner.
Mennesker trækker deres beslutning og intuition på lod på viden, sund fornuft, sanseoplevelser, minder og 'tanker', som ikke nødvendigvis er oversat til sprog, tale eller tekst, siger Oliva. Uden at vide, hvordan den menneskelige hjerne skaber tanker, vil det være svært at lære sund fornuft og visuel forståelse til et kunstigt system. Neurovidenskab og datalogi er de to sider af AI-mønten.