Se hai fatto la Mannequin Challenge, ora stai facendo avanzare la ricerca sulla robotica

Categoria: Intelligenza artificiale Inserito 26 giugno

Riporta la mente a Internet nel 2016. Hai ricordi confusi della Mannequin Challenge? Bene, la tendenza virale di YouTube è stata ora utilizzata per addestrare una rete neurale nella comprensione delle scene 3D.

Il contesto: Siamo naturalmente bravi a interpretare i video 2D come scene 3D, ma è necessario insegnare alle macchine come farlo. È un'abilità utile da possedere: la capacità di ricostruire la profondità e la disposizione di oggetti che si muovono liberamente può aiutare i robot a manovrare in ambienti sconosciuti. Ecco perché la sfida affascina da tempo i ricercatori di computer vision, soprattutto nel contesto delle auto a guida autonoma.

I dati: Per affrontare questo problema, un team di Google AI si è rivolto a un set di dati imprevisto : migliaia di video su YouTube di persone che eseguono la Mannequin Challenge. (Se ti è capitato di sorpassarti in quel momento, ciò significava rimanere il più fermi possibile mentre qualcuno si muoveva intorno a te, filmando la posa da tutte le angolazioni.) Questi video sono anche una nuova fonte di dati per comprendere la profondità di un immagine 2D.

Il metodo: I ricercatori hanno convertito 2.000 video in immagini 2D con dati di profondità ad alta risoluzione e li hanno utilizzati per addestrare una rete neurale. È stato quindi in grado di prevedere la profondità degli oggetti in movimento in un video con una precisione molto maggiore rispetto a quanto era possibile con i precedenti metodi all'avanguardia. La scorsa settimana, i ricercatori sono stati premiati una menzione d'onore per la migliore carta a un'importante conferenza sulla visione artificiale.

Partecipanti inconsapevoli: I ricercatori hanno anche rilasciato il loro set di dati per supportare la ricerca futura, il che significa che migliaia di persone che hanno partecipato alla Mannequin Challenge continueranno inconsapevolmente a contribuire al progresso della visione artificiale e della ricerca robotica. Sebbene ciò possa essere una spiacevole sorpresa per alcuni, questa è la regola nella ricerca sull'IA piuttosto che l'eccezione.

Molti dei set di dati più fondamentali del settore, inclusi quelli di Fei-Fei Li ImageNet , che ha dato il via alla rivoluzione del deep learning, sono stati compilati da dati pubblicamente disponibili raccolti da Twitter, Wikipedia, Flickr e altre fonti. La pratica è motivata dall'immensa quantità di dati necessari per addestrare algoritmi di deep learning ed è stata esacerbata solo negli ultimi anni quando i ricercatori producono modelli sempre più grandi per ottenere risultati rivoluzionari.

Privacy dei dati: Come abbiamo scritto prima, questa pratica di scraping dei dati non è né ovviamente buona né cattiva, ma mette in discussione le norme sul consenso nel settore. Man mano che i dati diventano sempre più mercificati e monetizzati, i tecnologi dovrebbero pensare se il modo in cui utilizzano i dati di qualcuno è in linea con lo spirito del motivo per cui sono stati originariamente generati e condivisi.