211service.com
Le macchine ora possono riconoscere qualcosa dopo averlo visto una volta
La maggior parte di noi può riconoscere un oggetto dopo averlo visto una o due volte. Ma gli algoritmi che alimentano la visione artificiale e il riconoscimento vocale hanno bisogno di migliaia di esempi per acquisire familiarità con ogni nuova immagine o parola.
I ricercatori di Google DeepMind ora hanno un modo per aggirare questo problema. Essi fatto alcune modifiche intelligenti a un algoritmo di apprendimento profondo che gli consente di riconoscere oggetti nelle immagini e altre cose da un singolo esempio, qualcosa noto come 'apprendimento one-shot'. Il team ha dimostrato il trucco su un ampio database di immagini contrassegnate, nonché sulla scrittura a mano e sul linguaggio.
I migliori algoritmi sono in grado di riconoscere le cose in modo affidabile, ma la loro necessità di dati rende la loro creazione dispendiosa in termini di tempo e denaro. Un algoritmo addestrato per individuare le auto sulla strada, ad esempio, deve acquisire molte migliaia di esempi per funzionare in modo affidabile in un'auto senza conducente. Raccogliere così tanti dati è spesso impraticabile: un robot che ha bisogno di navigare in una casa sconosciuta, ad esempio, non può passare innumerevoli ore a vagare per l'apprendimento.
Oriol Vinyals, ricercatore presso Google DeepMind, una sussidiaria di Alphabet con sede nel Regno Unito focalizzata sull'intelligenza artificiale, ha aggiunto una componente di memoria a un sistema di apprendimento profondo, un tipo di grande rete neurale addestrata a riconoscere le cose regolando la sensibilità di molti strati di componenti interconnessi più o meno analoghi ai neuroni in un cervello. Tali sistemi hanno bisogno di vedere molte immagini per mettere a punto le connessioni tra questi neuroni virtuali.
Il team ha dimostrato le capacità del sistema su un database di fotografie etichettate chiamato ImageNet . Il software deve ancora analizzare diverse centinaia di categorie di immagini, ma in seguito può imparare a riconoscere nuovi oggetti, ad esempio un cane, da una sola immagine. Impara efficacemente a riconoscere nelle immagini le caratteristiche che le rendono uniche. L'algoritmo è stato in grado di riconoscere le immagini dei cani con una precisione vicina a quella di un sistema convenzionale ad alto consumo di dati dopo aver visto solo un esempio.
Vinyals afferma che il lavoro potrebbe essere particolarmente utile se potesse riconoscere rapidamente il significato di una nuova parola. Questo potrebbe essere importante per Google, afferma Vinyals, poiché potrebbe consentire a un sistema di apprendere rapidamente il significato di un nuovo termine di ricerca.
Altri hanno sviluppato sistemi di apprendimento one-shot, ma questi di solito non sono compatibili con i sistemi di deep learning. Un progetto accademico dell'anno scorso ha utilizzato tecniche di programmazione probabilistica per consentire questo tipo di apprendimento molto efficiente (vedi 'Questo algoritmo impara i compiti più velocemente di quanto facciamo').
Ma i sistemi di deep learning stanno diventando più capaci, soprattutto con l'aggiunta di meccanismi di memoria. Un altro gruppo di Google DeepMind ha recentemente sviluppato una rete con un tipo di memoria flessibile, che la rende in grado di eseguire semplici compiti di ragionamento, ad esempio imparare a navigare in un sistema di metropolitana dopo aver analizzato diversi diagrammi di rete molto più semplici (vedi 'Cosa succede quando dai un Computer una Memoria di Lavoro? ').
'Penso che questo sia un approccio molto interessante, in quanto fornisce un nuovo modo di fare apprendimento one-shot su set di dati su larga scala', afferma Ha cantato Wan Lee , che dirige il Laboratory for Brain and Machine Intelligence presso il Korean Advanced Institute for Science and Technology di Daejeon, in Corea del Sud. 'Questo è un contributo tecnico alla comunità dell'IA, che è qualcosa che i ricercatori di visione artificiale potrebbero apprezzare pienamente.'
Altri sono più scettici sulla sua utilità, dato quanto è ancora diverso dall'apprendimento umano. Per prima cosa, dice Sam Gershman , un assistente professore presso il Dipartimento di scienze cerebrali di Harvard, gli esseri umani generalmente imparano comprendendo i componenti che compongono un'immagine, il che potrebbe richiedere una conoscenza del mondo reale o di buon senso. Ad esempio, 'un Segway potrebbe sembrare molto diverso da una bicicletta o da una motocicletta, ma può essere composto dalle stesse parti'.
Secondo Gershman e Wan Lee, ci vorrà ancora del tempo prima che le macchine corrispondano all'apprendimento umano. 'Siamo ancora lontani dal rivelare il segreto degli esseri umani sull'esecuzione dell'apprendimento one-shot', afferma Wan Lee, 'ma questa proposta pone chiaramente nuove sfide che meritano ulteriori studi'.