Když slyšíme umělou inteligenci a strojové učení, představíme si počítač, který umí myslet a učit se sám za sebe. Tedy prakticky jako člověk.
Svět vnímáme kombinací několika smyslů, jako je zrak, sluch a rozpoznávání řeči. Ale stroje interpretují svět pomocí dat zpracovaných algoritmy. To znamená, že když stroj uvidí fotografii, přeloží ji do sady metadat, které použije k provedení úkolu. A pokud úkol zkomplikujete, tedy tam, kde bude kromě obrazu znít i zvuk, AI se začne ztrácet.
„Hlavním problémem zde je, jak může stroj sladit tyto různé modality? Pro nás lidi je to snadné. Vidíme auto a pak slyšíme zvuk projíždějícího auta a víme, že je to totéž. Ale pro strojové učení není všechno tak jednoduché“, — řekl Oleksandr Liu, postgraduální student na Computer Science and Artificial Intelligence Laboratory (CSAIL) a první autor článku věnovaného tomuto problému.
Liu a jeho kolegové vyvinuli metodu umělé inteligence, která se učí reprezentovat data způsobem, který zachycuje koncepty, které jsou společné pro vizuální a zvukové modality. Jejich metoda se například může naučit, že akce dětského pláče ve videu souvisí se slovem „pláč“ ve zvukovém klipu. Pomocí těchto znalostí může jejich model strojového učení určit, kde se ve videu vyskytuje určitá akce, a rozpoznat ji.
Tato metoda může jednoho dne pomoci robotům dozvědět se o konceptech ve světě prostřednictvím vnímání, spíše jako lidé. Model má stále některá omezení, která vědci doufají, že se v budoucí práci vyřeší. Dosud se jejich výzkum zaměřoval na data ze dvou modalit současně, ale v reálném světě se lidé současně potýkají s mnoha proudy dat, které bez přemýšlení zpracovávají. Stroje se to ještě musí naučit.
Můžete pomoci Ukrajině v boji proti ruským vetřelcům. Nejlepším způsobem, jak toho dosáhnout, je darovat finanční prostředky ozbrojeným silám Ukrajiny prostřednictvím Zachraňte život nebo přes oficiální stránku NBÚ.
Přečtěte si také: