O Google DeepMind ensinou a IA a reconhecer objetos de relance

Sabe-se que a inteligência artificial precisa de milhares de exemplos para aprender a reconhecer novos objetos. Nisso, ele é significativamente inferior a uma pessoa com sua capacidade de reconhecer uma classe de objetos por um representante. Além disso, o processo de treinamento de uma rede neural consome muito tempo. Empresa DeepMind , a unidade Google lidar com os desenvolvimentos no campo da inteligência artificial, tem encontrado uma maneira de contornar isso.

Pesquisadores do DeepMind fizeram várias correções no algoritmo de aprendizado profundo, que permite reconhecer objetos em imagens ou outras coisas de um exemplo, usando as conexões entre uma rede neural e a memória externa. Essa tecnologia é conhecida como treinamento único. A equipe de desenvolvimento demonstrou o trabalho desse método em um grande banco de dados de imagens com tags, bem como na escrita e fala.

Os melhores algoritmos podem reconhecer objetos de maneira confiável, mas para isso eles precisam de muitos dados e tempo. O algoritmo, treinado para reconhecer carros na estrada, deve estudar vários milhares de exemplos para trabalhar com confiança em um carro com piloto automático. A coleta de tantos dados costuma ser impraticável: um robô que deve ajudá-lo a navegar em uma área desconhecida não deve gastar muito tempo aprendendo.

Para consertar isso, o pesquisador do DeepMind Oriol Vinyals adicionou um componente de memória ao sistema de aprendizado profundo - um tipo de rede neural treinada para reconhecer as coisas, ajustando uma infinidade de camadas interconectadas. Seu trabalho é semelhante aos neurônios no cérebro humano. Para que uma rede funcione com eficiência, ela precisa ver muitas imagens para ajustar a conexão entre os neurônios virtuais.

A equipe do DeepMind demonstrou os recursos do sistema atualizado com base no banco de dados ImageNet , desenvolvido por cientistas da Universidade de Stanford e Princeton. Está organizado de acordo com a hierarquia do banco de dados lexical do idioma inglês WordNetÉ verdade que, até agora, só funciona com substantivos. Com o novo software, a inteligência artificial ainda precisa analisar várias centenas de categorias de imagens, mas depois disso pode aprender a reconhecer novos objetos a partir de uma única imagem. O algoritmo determina efetivamente as características do objeto que o tornam único. A precisão do reconhecimento do ImageNet aumentou de 87,6% para 93,2% em comparação com as abordagens concorrentes.


A


arquitetura de rede neural de Vinyals diz que seu desenvolvimento será especialmente útil no reconhecimento do significado de novas palavras. Ele acredita que isso será importante para o Google, pois o algoritmo permite que o sistema examine rapidamente o significado de novos critérios de pesquisa.

"Acho que essa é uma abordagem muito interessante, que permite treinar redes ao mesmo tempo com uma quantidade tão grande de dados", diz Sang Wang Lee, chefe do Laboratório de Inteligência Cerebral e Máquina do Instituto de Tecnologia Avançada da Coréia ( KAIST)) No entanto, outros cientistas não têm pressa em elogiar a conquista da equipe DeepMind. Eles são céticos quanto à sua utilidade, pois o método apresentado ainda está longe da velocidade da aprendizagem humana. Como corretamente apontado por Sam Gershman, professor associado do Departamento de Cérebro de Harvard, quando as pessoas aprendem a "montar" uma imagem de suas partes constituintes, elas o fazem com base no conhecimento do mundo ou no senso comum. Ou seja, um Segway pode parecer muito diferente de uma bicicleta ou motocicleta, mas pode ser montado com as mesmas peças. Ambos os cientistas concordam que a inteligência da máquina levará um longo tempo antes de atingir as habilidades humanas.

A ciência ainda está longe de revelar os segredos do treinamento "único" do cérebro humano. No entanto, a conquista de pesquisadores do Google estabelece novas metas para os cientistas que merecem mais estudos.

A tecnologia do treinamento “único” era anteriormente conhecida, no entanto, não foi adaptada para trabalhar com algoritmos de aprendizado profundo. Em um projeto de treinamento no ano passado , foram utilizadas técnicas de programação probabilística que incluíam essa tecnologia. De fato, o programa gerou um algoritmo exclusivo para cada personagem usando os traços de uma caneta imaginária. O software não imitava o aprendizado da criança de escrever e ler, mas era semelhante à maneira como os adultos seguem quando aprendem um novo idioma.

Os sistemas de estudo aprofundado tornam-se muito mais capazes, se adicionarmos os mecanismos de memorização. Outro grupo do Google DeepMind desenvolveu recentementeuma rede com memória de trabalho é um computador neural diferenciável. Ele não pode apenas executar tarefas complexas, mas também decidir quais informações manter em sua memória. Assim, a IA aprendeu a navegar no sistema de metrô de Londres depois de estudar alguns diagramas de rede mais simples. Como um computador comum, essa rede usa sua memória para gerenciar estruturas de dados complexas. Ao mesmo tempo, o sistema pode ser treinado com base em dados, como uma rede neural. Os cientistas têm grandes esperanças de um computador neural diferenciável. Uma versão aprimorada desse computador poderá escanear a Wikipedia e lembrar todos os nomes, lugares e datas significativos, e usar esse conhecimento de uma maneira completamente nova.

Source: https://habr.com/ru/post/pt399015/