Το περισσότερο artificial intelligence (τεχνητή νοημοσύνη) εξακολουθεί να είναι χτισμένο πάνω σε ένα θεμέλιο ανθρώπινης προσπάθειας. Αν κοιτάξετε μέσα σε έναν αλγόριθμο AI, θα βρείτε κάτι κατασκευασμένο με δεδομένα που επιμελήθηκαν και επισημάνθηκαν από ανθρώπους.
Τώρα, το Facebook έχει δείξει πώς ορισμένοι αλγόριθμοι AI μπορούν να μάθουν να κάνουν χρήσιμη εργασία με πολύ λιγότερη ανθρώπινη βοήθεια. Η εταιρεία δημιούργησε έναν αλγόριθμο που έμαθε να αναγνωρίζει αντικείμενα σε εικόνες με λίγη βοήθεια από τις ετικέτες.
Ο αλγόριθμος του Facebook, που ονομάζεται Seer, τροφοδοτήθηκε με πάνω από ένα δισεκατομμύριο εικόνες από το Instagram, αποφασίζοντας από μόνος του ποια αντικείμενα μοιάζουν μεταξύ τους. Στη συνέχεια, στον αλγόριθμο δόθηκε ένας μικρός αριθμός εικόνων με ετικέτα. Στη συνέχεια μπόρεσε να αναγνωρίσει τις εικόνες καθώς και ο αλγόριθμος εκπαιδεύτηκε χρησιμοποιώντας χιλιάδες επισημασμένα παραδείγματα κάθε αντικειμένου.
«Τα αποτελέσματα είναι εντυπωσιακά», λέει η Olga Russakovsky, επίκουρη καθηγήτρια στο Πανεπιστήμιο του Πρίνστον, η οποία ειδικεύεται στην τεχνητή νοημοσύνη (AI) και στο computer vision. “Η απόκτηση της αυτο-εποπτευόμενης μάθησης στην εργασία είναι πολύ δύσκολη και οι σημαντικές ανακαλύψεις σε αυτόν τον χώρο έχουν σημαντικές συνέπειες στη βελτιωμένη οπτική αναγνώριση.”
Η Russakovsky λέει ότι είναι αξιοσημείωτο ότι οι εικόνες του Instagram δεν επιλέχθηκαν με το χέρι για να διευκολύνουν την ανεξάρτητη μάθηση.
Η έρευνα στο Facebook είναι ένα ορόσημο για μια προσέγγιση της AI που είναι γνωστή ως «αυτο-εποπτευόμενη μάθηση», λέει ο επικεφαλής επιστήμονας του Facebook, Yann LeCun.
Ο LeCun πρωτοστάτησε στην προσέγγιση του machine learning γνωστό ως deep learning που περιλαμβάνει τροφοδοσία δεδομένων σε μεγάλα τεχνητά νευρικά δίκτυα. Πριν από μια δεκαετία περίπου, το deep learning προέκυψε ως καλύτερος τρόπος προγραμματισμού μηχανών για να κάνουν κάθε είδους χρήσιμα πράγματα, όπως η ταξινόμηση εικόνων και η αναγνώριση ομιλίας.
Αλλά ο LeCun λέει ότι η συμβατική προσέγγιση, η οποία απαιτεί «εκπαίδευση» ενός αλγορίθμου τροφοδοτώντας τον με πολλά σήματα δεδομένων, απλά δεν θα κλιμακωθεί. «Υποστηρίζω όλη αυτή την ιδέα της αυτο-εποπτευόμενης μάθησης εδώ και αρκετό καιρό», λέει. «Μακροπρόθεσμα, η πρόοδος στην τεχνητή νοημοσύνη θα προέλθει από προγράμματα που παρακολουθούν βίντεο όλη την ημέρα και μαθαίνουν όπως τα παιδιά».
Ο LeCun λέει ότι η αυτοεπιβλεπόμενη μάθηση θα μπορούσε να έχει πολλές χρήσιμες εφαρμογές, για παράδειγμα να μαθαίνει να διαβάζει ιατρικές εικόνες χωρίς την ανάγκη για επισήμανση τόσων σαρώσεων και ακτινογραφιών. Λέει ότι μια παρόμοια προσέγγιση χρησιμοποιείται ήδη για την αυτόματη δημιουργία των hashtag για εικόνες στο Instagram. Και λέει ότι η τεχνολογία Seer θα μπορούσε να χρησιμοποιηθεί στο Facebook για την αντιστοίχιση διαφημίσεων σε αναρτήσεις ή για να φιλτράρει το ανεπιθύμητο περιεχόμενο.
Η έρευνα του Facebook βασίζεται στην τροποποίηση αλγορίθμων deep learning για να τους καταστήσει πιο αποδοτικούς και αποτελεσματικούς. Η αυτο-εποπτευόμενη εκμάθηση έχει προηγουμένως χρησιμοποιηθεί για να μεταφράσει κείμενο από τη μία γλώσσα στην άλλη, αλλά ήταν πιο δύσκολο να εφαρμοστεί σε εικόνες παρά σε λέξεις. Ο LeCun λέει ότι η ερευνητική ομάδα ανέπτυξε έναν νέο τρόπο κατά τον οποίο οι αλγόριθμοι μαθαίνουν να αναγνωρίζουν εικόνες ακόμα και όταν ένα μέρος της εικόνας έχει τροποποιηθεί.
Το Facebook θα κυκλοφορήσει μέρος της τεχνολογίας πίσω από το Seer, αλλά όχι τον ίδιο τον αλγόριθμο, επειδή εκπαιδεύτηκε χρησιμοποιώντας τα δεδομένα των χρηστών του Instagram.
Πηγή πληροφοριών: wired.com
