Kada čujemo umjetnu inteligenciju i strojno učenje, zamišljamo kompjuter koji može misliti i učiti za sebe. Odnosno, praktično kao ljudsko biće.
Svijet opažamo kombinacijom nekoliko čula, kao što su vid, sluh i prepoznavanje govora. Ali mašine tumače svijet uz pomoć podataka koje obrađuju algoritmi. To jest, kada mašina vidi fotografiju, ona je prevodi u skup metapodataka koje koristi za obavljanje zadatka. A ako zakomplicirate zadatak, tj. gdje će pored slike biti i zvuk, tada se AI počinje gubiti.
„Glavni problem ovdje je kako mašina može pomiriti ove različite modalitete? Lako je nama ljudima. Vidimo auto, a onda čujemo zvuk automobila koji prolazi i znamo da je to ista stvar. Ali za mašinsko učenje nije sve tako jednostavno", — rekao je Oleksandr Liu, diplomirani student u Laboratoriji za računarske nauke i umjetnu inteligenciju (CSAIL) i prvi autor rada posvećenog ovom problemu.
Liu i njegove kolege razvili su metodu umjetne inteligencije koja uči da predstavlja podatke na način koji obuhvata koncepte koji su zajednički za vizualne i audio modalitete. Na primjer, njihova metoda može naučiti da je radnja djeteta koje plače u videu povezana s riječju "plakanje" u audio klipu. Koristeći ovo znanje, njihov model mašinskog učenja može odrediti gdje se određena radnja događa u videu i uočiti je.
Ova metoda bi se jednog dana mogla koristiti da pomogne robotima da nauče o konceptima u svijetu kroz percepciju, više kao što to rade ljudi. Model i dalje ima neka ograničenja za koja se naučnici nadaju da će ih riješiti u budućem radu. Do sada su se njihova istraživanja fokusirala na podatke iz dva modaliteta u isto vrijeme, ali u stvarnom svijetu ljudi se istovremeno suočavaju s mnogim tokovima podataka koje obrađuju bez razmišljanja. Mašine to tek treba da nauče.
Možete pomoći Ukrajini u borbi protiv ruskih osvajača. Najbolji način da to učinite je da donirate sredstva Oružanim snagama Ukrajine putem Savelife ili preko službene stranice NBU.
Pročitajte također: