Il prossimo grande test per l'IA: dare un senso al mondo

Alcuni anni fa, una svolta nell'apprendimento automatico ha improvvisamente consentito ai computer di riconoscere gli oggetti mostrati nelle fotografie con una precisione senza precedenti, quasi inquietante. La domanda ora è se le macchine possono fare un altro salto, imparando a dare un senso a ciò che sta effettivamente accadendo in tali immagini.

Un nuovo database di immagini, chiamato Genoma visivo , potrebbe spingere i computer verso questo obiettivo e aiutare a valutare i progressi dei computer che tentano di comprendere meglio il mondo reale. Insegnare ai computer ad analizzare le scene visive è di fondamentale importanza per l'intelligenza artificiale. Potrebbe non solo generare algoritmi di visione più utili, ma anche aiutare ad addestrare i computer a comunicare in modo più efficace, perché il linguaggio è così intimamente legato alla rappresentazione del mondo fisico.

Visual Genome è stato sviluppato da Fei-Fei Li , un professore specializzato in visione artificiale e che dirige il Laboratorio di intelligenza artificiale di Stanford , insieme a diversi colleghi. Ci stiamo concentrando molto su alcune delle domande più difficili della visione artificiale, che sta davvero collegando la percezione alla cognizione, dice Li. Non solo prendere i dati dei pixel e cercare di dare un senso al suo colore, all'ombreggiatura, a quel genere di cose, ma trasformarli davvero in una comprensione più completa del 3-D e del mondo visivo semantico.

Li e colleghi hanno precedentemente creato ImageNet, un database contenente più di un milione di immagini etichettate in base al loro contenuto. Ogni anno, il Sfida di riconoscimento visivo su larga scala di ImageNet verifica la capacità dei computer di riconoscere automaticamente il contenuto delle immagini.

Nel 2012, un team guidato da Geoffrey Hinton presso l'Università di Toronto ha costruito una rete neurale ampia e potente in grado di classificare le immagini in modo molto più accurato di qualsiasi altra cosa creata in precedenza. La tecnica utilizzata per abilitare questo progresso, noto come deep learning, prevede l'inserimento di migliaia o milioni di esempi in una rete neurale a più strati, addestrando gradualmente ogni strato di neuroni virtuali a rispondere a caratteristiche sempre più astratte, dalla trama del pelo di un cane, diciamo, alla sua forma complessiva.

Il successo del team di Toronto ha segnato sia un boom di interesse per il deep learning sia una sorta di rinascita dell'intelligenza artificiale più in generale. E da allora il deep learning è stato applicato in molte altre aree, migliorando i computer in altre attività importanti, come l'elaborazione di audio e testo.

Le immagini in Visual Genome sono contrassegnate in modo più ricco rispetto a ImageNet, inclusi i nomi e i dettagli di vari oggetti mostrati in un'immagine; le relazioni tra quegli oggetti; e informazioni su eventuali azioni in corso. Ciò è stato ottenuto utilizzando un approccio di crowdsourcing sviluppato da uno dei colleghi di Li a Stanford, Michele Bernstein . Il piano è di lanciare una sfida in stile ImageNet utilizzando il set di dati nel 2017.

Gli algoritmi addestrati utilizzando esempi in Visual Genome potrebbero fare di più che riconoscere oggetti e dovrebbero avere una certa capacità di analizzare scene visive più complesse.

Sei seduto in un ufficio, ma qual è il layout, chi è la persona, cosa sta facendo, quali sono gli oggetti intorno, quale evento sta accadendo? dice Li. Stiamo anche collegando [questa comprensione] al linguaggio, perché il modo per comunicare non è assegnare numeri ai pixel: è necessario collegare la percezione e la cognizione al linguaggio.

Li ritiene che il deep learning giocherà probabilmente un ruolo chiave nel consentire ai computer di analizzare scene più complesse, ma che altre tecniche aiuteranno a far avanzare lo stato dell'arte.

Gli algoritmi di intelligenza artificiale risultanti potrebbero forse aiutare a organizzare le immagini online o in raccolte personali, ma potrebbero avere usi più significativi, consentendo ai robot o alle auto a guida autonoma di comprendere correttamente una scena. Potrebbero anche essere utilizzati per insegnare ai computer più buon senso, apprezzando quali concetti sono fisicamente probabili o meno plausibili.

Riccardo Socher , un esperto di apprendimento automatico e il fondatore di una startup di intelligenza artificiale chiamata MetaMente , afferma che questo potrebbe essere l'aspetto più importante del progetto. Gran parte del linguaggio riguarda la descrizione del mondo visivo, dice. Questo set di dati fornisce un nuovo modo scalabile per combinare le due modalità e testare nuovi modelli.

Visual Genome non è l'unico database di immagini complesso disponibile con cui i ricercatori possono sperimentare. Microsoft, ad esempio, ha un database chiamato Oggetti comuni nel contesto , che mostra i nomi e la posizione di più oggetti nelle immagini. Google, Facebook e altri stanno anche spingendo la capacità degli algoritmi di intelligenza artificiale di analizzare le scene visive. Una ricerca pubblicata da Google nel 2014 ha mostrato un algoritmo in grado di fornire didascalie di base per le immagini, con diversi livelli di accuratezza (vedi Brain-Inspired Software di Google Descrive cosa vede nelle immagini complesse). E, più recentemente, Facebook ha mostrato un sistema di domande e risposte in grado di rispondere a domande molto semplici sulle immagini (vedi L'app di Facebook può rispondere a domande di base su cosa c'è nelle foto).

Aude Oliva , un professore del MIT che studia la macchina e la visione umana, ha sviluppato un database chiamato Luoghi2 , che contiene oltre 10 milioni di immagini di diverse scene specifiche. Questo progetto ha lo scopo di ispirare lo sviluppo di algoritmi in grado di descrivere la stessa scena in più modi, come tendono a fare gli esseri umani. Oliva afferma che Visual Genome e database simili aiuteranno a far progredire la visione artificiale, ma crede che i ricercatori di intelligenza artificiale dovranno trarre ispirazione dalla biologia se vogliono costruire macchine con capacità veramente umane.

Gli esseri umani traggono la loro decisione e intuizione da molte conoscenze, buon senso, esperienze sensoriali, ricordi e 'pensieri' che non sono necessariamente tradotti in lingua, parola o testo, dice Oliva. Senza sapere come il cervello umano crea i pensieri, sarà difficile insegnare il buon senso e la comprensione visiva a un sistema artificiale. Neuroscienze e informatica sono le due facce della medaglia dell'IA.

nascondere