Može li računalo naučiti zdrav razum?

U ne tako davnoj prošlosti sugeriranje da bi računalo moglo pokazati "zdrav razum" smatralo bi se oksimoronom. No, superračunala poput IBM-ovog Watsona mogu najaviti nove uloge računala.

Trenutno istraživači sa Sveučilišta Carnegie Mellon izvode računalni program 24 sata dnevno, 7 dana u 7 dana u pokušaju da masovno uhvate podatke i poduče se zdravom razumu.

Program se naziva Never Ending Image Learner (NEIL) dok softver pretražuje slike na webu, trudeći se da ih sam razumije i, dok gradi sve veću vizualnu bazu podataka, masovno prikuplja zdrav razum.

NEIL koristi nedavni napredak u računalnom vidu koji omogućuje računalnim programima prepoznavanje i označavanje predmeta na slikama, karakteriziranje scena i prepoznavanje atributa, kao što su boje, rasvjeta i materijali, a sve uz minimum ljudskog nadzora.

Zauzvrat, podaci koje generira dodatno će poboljšati sposobnost računala da razumiju vizualni svijet.

NEIL ima značajan napredak u odnosu na ranije robotske uređaje jer može povezivati ​​stvari kako bi dobio informacije o zdravom razumu. Informacije koje ljudi znaju gotovo intuitivno - da se automobili često nalaze na cestama, da su zgrade vertikalne i da patke izgledaju poput gusaka.

Na temelju tekstualnih referenci, moglo bi se činiti da je boja povezana s ovcama crna, ali ljudi - a sada NEIL - ipak znaju da su ovce obično bijele.

"Slike su najbolji način da se nauče vizualna svojstva", rekao je dr. Abhinav Gupta, docent istraživanja na Institutu za robotiku Carnegie Mellon.

“Slike također uključuju puno zdravorazumskih informacija o svijetu. Ljudi to uče sami, a uz NEIL nadamo se da će to učiniti i računala. "

Računalni klaster izvodi program NEIL od kraja srpnja i već je analizirao tri milijuna slika, identificirajući 1.500 vrsta objekata na pola milijuna slika i 1.200 vrsta scena na stotinama tisuća slika.

Spojio je točke kako bi naučio 2500 udruga iz tisuća slučajeva.

Jedna od motivacija za NEIL projekt je stvaranje najveće svjetske vizualno strukturirane baze znanja, gdje su predmeti, scene, radnje, atributi i kontekstualni odnosi označeni i katalogizirani.

"Ono što smo naučili u zadnjih 5-10 godina istraživanja računalnog vida jest da što više podataka imate, to računalni vid postaje bolji", rekao je Gupta.

Neki projekti, kao što su ImageNet i Visipedia, pokušali su sastaviti ove strukturirane podatke uz ljudsku pomoć.

Ali razmjeri Interneta toliko su ogromni - samo Facebook sadrži više od 200 milijardi slika - da je jedina nada da se sve to analizira naučiti računala da to uglavnom čine sami.

Ljudi također NEIL-u govore koje kategorije predmeta, scena itd. Treba pretraživati ​​i analizirati. Ali ponekad ono što NEIL pronađe može iznenaditi čak i istraživače.

Na primjer, može se očekivati ​​da bi potraga za "jabukom" mogla vratiti slike voća, kao i prijenosna računala. No, Gupta i njegov tim, svi kopljani, nisu ni slutili da će potraga za F-18 identificirati ne samo slike borbenog aviona, već i katamarane klase F18.

Kako pretraga traje, NEIL razvija potkategorije predmeta - tricikli mogu biti za djecu, za odrasle i mogu se motorizirati, ili automobili dolaze u raznim markama i modelima.

I počinje primjećivati ​​asocijacije - da se zebre, primjerice, mogu naći u savanama i da su podovi za trgovanje dionicama obično prenatrpani.

Prije nego što NEIL postane naziv kućanstva, potrebno je smanjiti opseg jer je NEIL računski intenzivan, a program se izvodi na dva klastera računala koji uključuju 200 procesorskih jezgri.

Izvor: Sveučilište Carnegie Mellon

!-- GDPR -->