Forskere giver AI evnen til at forestille sig ting, den aldrig er set før

(Artur Debat/Getty Images)

Kunstig intelligens(AI) har vist sig meget dygtig til visse opgaver – f.eksopfinder menneskelige ansigterder faktisk ikke eksisterer, ellervindende pokerspil– men disse netværk kæmper stadig, når det kommer til noget, mennesker gør naturligt: ​​forestille sig.

Når først mennesker ved, hvad en kat er, kan vi nemt forestille os en kat i en anden farve, en kat i en anden positur eller en kat i andre omgivelser. For AI-netværk er det meget sværere, selvom de kan genkende en kat, når de ser den (med tilstrækkelig træning).

For at prøve at låse op for AI's evne til fantasi har forskere fundet frem til en ny metode til at muliggøre kunstig intelligens systemer til at finde ud af, hvordan et objekt skal se ud, selvom de faktisk aldrig har set et nøjagtigt lignende det før.



'Vi blev inspireret af menneskelige visuelle generaliseringsevner til at forsøge at simulere menneskelig fantasi i maskiner,' siger datalog Yunhao Ge fra University of Southern California (USC).

'Mennesker kan adskille deres indlærte viden efter egenskaber – for eksempel form, positur, position, farve – og derefter rekombinere dem for at forestille sig et nyt objekt. Vores papir forsøger at simulere denne proces ved hjælp af neurale netværk.'

Nøglen er ekstrapolering – at være i stand til at bruge en stor bank af træningsdata (som billeder af en bil) for derefter at gå ud over det sete til det usete. Dette er svært for AI på grund af den måde, den typisk trænes til at spotte specifikke mønstre i stedet for bredere egenskaber.

Hvad teamet er kommet frem til her, kaldes kontrollerbar disentangled repræsentationslæring, og det bruger en tilgang, der ligner dem, der bruges tilskabe deepfakes– adskillelse af forskellige dele af en prøve (så adskille ansigtsbevægelse og ansigtsidentitet i tilfælde af en deepfake video).

Det betyder, at hvis en AI ser en rød bil og en blå cykel, vil den så kunne 'forstille sig' en rød cykel for sig selv – også selvom den aldrig har set en før. Forskerne har sat dette sammen i en ramme, de kalder Group Supervised Learning.

Ekstrapolering af nye data fra træningsdata. (Itti et al., 2021)

En af de vigtigste nyskabelser i denne teknik er at behandle prøver i grupper i stedet for individuelt og opbygge semantiske forbindelser mellem dem undervejs. AI'en er så i stand til at genkende ligheder og forskelle i de prøver, den ser, ved at bruge denne viden til at producere noget helt nyt.

'Denne nye løsningsmetode frigør for første gang virkelig en ny sans for fantasi i AI-systemer og bringer dem tættere på menneskers forståelse af verden,' siger USC datalog Laurent Itti .

Det er disse ideer ikke helt ny , men her har forskerne taget koncepterne videre og gjort tilgangen mere fleksibel og kompatibel med yderligere typer data. De har også gjort rammen til open source, så andre forskere kan gøre brug af den nemmere.

I fremtiden vil det system, der er udviklet her, kunne beskytte mod AI-bias ved at fjerne mere følsomme egenskaber fra ligningen – for eksempel hjælpe med at lave neurale netværk, der ikke er racistiske eller sexistiske.

Den samme tilgang kunne også anvendes inden for medicin og selvkørende biler, siger forskerne, med AI i stand til at 'forestille' nye lægemidler eller visualisere nye vejscenarier, som den ikke er blevet specifikt trænet til tidligere.

'Dyb læring har allerede demonstreret uovertruffen ydeevne og løfte på mange områder, men alt for ofte er dette sket gennem overfladisk mimik og uden en dybere forståelse af de separate egenskaber, der gør hvert objekt unikt,' siger Itti .

Forskningen er blevet præsenteret i 2021 International konference om læringsrepræsentationer og kan læses her .

Populære Kategorier: Mennesker , Plads , Ukategoriseret , Natur , Samfund , Tech , Miljø , Sundhed , Fysik , Forklarer ,

Om Os

Offentliggørelse Af Uafhængige, Beviste Fakta Om Rapporter Om Sundhed, Rum, Natur, Teknologi Og Miljøet.