Системата за машинно обучение на Google - DeepMind - може

Системата за машинно образование на Гугъл - DeepMind - може да събира фотоси от разнообразни ъгли в триизмерна среда и да пресъздава метода, по който би изглеждала тя, от ракурс, който изкуственият разсъдък в никакъв случай не е виждал преди този момент , оповестява изданието Science.

Голямата картина: Изследователите желаят да основат изкуствен интелект, който да може да основава модели на света към нас на база получени данни, като след това употребяват въпросните модели в нова среда. Тази дарба би могла да изведе изкуствения разсъдък от сферата на проучването на пространството до тази на разбирането му по подобен с индивида метод. Това би имало основно значение за създаването на машини, които могат да се движат самостоятелно в действителна среда, като самостоятелните коли.

Контекстът: Компютърното зрение, подтиквано от съществуването на големи количества данни и увеличени изчислителни благоприятни условия, се разви извънредно доста през последните шест години . В общия случай логаритмите значително се учат посредством наблюдаване, като им се подава огромен набор от данни, обозначени с осведомителни етикети, и се чака да генерират планирани резултати от тяхното взаимоотношение.

" Контролираното образование е давало доста положителни резултати, само че не е изцяло удовлетворяващо по две аргументи. Първата е, че хората би трябвало да основат ръчно набора от данни за образование, което е скъпо и се позволяват пропуски. И второ, това несъмнено не е естественият метод, по който се учат бебетата или по-висшите бозайници ", счита Али Еслами, откривател в DeepMind

Вместо това, откривателите желаят да обучат машините да асимилират необозначени данни, които да обработват без каквото и да било управление от човек, а по-късно да могат да ползват наученото в нови, непознати сюжети и задания.

Как работи: Системата употребява двойка изображения на виртуална 3D сцена, взети от разнообразни ъгли, с цел да се сътвори пространствена визия, а генеративната мрежа за поръчки (GQN) предвижда по какъв начин ще наподобява сцената от друга, непозната все още позиция. След като GQN тренира с милиони изображения, тя може да употребява едно от тях, с цел да дефинира идентичността, позицията и цвета на обектите, както и светлосенките и други аспекти на вероятността.

„ Тази дарба да се разбере структурата на сцената е " най-завладяващата " част от проучването “, написа Матиас Зуйкър от Университета в Мериленд.

Изследователите на DeepMind също по този начин са тествали опциите на изкуствения разсъдък в така наречен лабиринт, като тестванията са посочили, че мрежата може тъкмо да предскаже дадена сцена и единствено с частична информация.

Да, само че: Според Зуйкър обаче досега става дума за опити с релативно елементарни виртуални среди и " остава неразбираемо какъв брой до каква степен тази система ще работи в комплицирани среди от действителния свят. "

Пред MIT Technology Review, различен специалист – Сам Гершман от Харвард – разяснява от своя страна, че GQN към момента взема решение единствено проблеми с лимитирана трудност като предскзването на вероятност, само че показва подозрения по отношение на опциите ѝ да се приспособява, с цел да отговори на по-сложни въпроси, което пък може да докара до потребността от фундаментално друг метод.

Предизвикателствата: Изследователят от Deep Mind Али Еслами споделя, че подготвителният развой лишава няколко месеца. " Използвахме в оптималната степен наличния ни хардуер. Нуждаем се от усилване на изчислителните качества и техниките за създаване на дълбоки невронни мрежи и тяхното обучение”, прибавя той.