Kun kuulemme tekoälyn ja koneoppimisen, kuvittelemme tietokoneen, joka voi ajatella ja oppia itse. Eli käytännössä ihmisenä.
Havaitsemme maailman useiden aistien, kuten näön, kuulon ja puheentunnistuksen, yhdistelmällä. Mutta koneet tulkitsevat maailmaa algoritmien käsittelemän tiedon avulla. Toisin sanoen kun kone näkee valokuvan, se muuntaa sen metatietojoukoksi, jota se käyttää tehtävän suorittamiseen. Ja jos monimutkaistat tehtävää, eli missä on ääntä kuvan lisäksi, niin AI alkaa kadota.
"Tässä suurin ongelma on, kuinka kone voi sovittaa yhteen nämä erilaiset tavat? Se on helppoa meille ihmisille. Näemme auton ja sitten kuulemme ohi ajavan auton äänen ja tiedämme, että se on sama asia. Mutta koneoppimisessa kaikki ei ole niin yksinkertaista", - sanoi Oleksandr Liu, Computer Science and Artificial Intelligence Laboratoryn (CSAIL) jatko-opiskelija ja ensimmäinen tälle ongelmalle omistetun paperin kirjoittaja.
Liu ja hänen kollegansa kehittivät tekoälymenetelmän, joka oppii esittämään dataa tavalla, joka vangitsee käsitteet, jotka ovat yhteisiä visuaalisille ja äänimuodoille. Heidän menetelmänsä voi esimerkiksi oppia, että videolla itkevän lapsen toiminta liittyy äänileikkeen sanaan "itku". Tämän tiedon avulla heidän koneoppimismallinsa voi määrittää, missä videossa tietty toiminto tapahtuu, ja havaita sen.
Tätä menetelmää voidaan jonakin päivänä käyttää auttamaan robotteja oppimaan maailman käsitteitä havainnon kautta, enemmän kuin ihmisten tapaan. Mallilla on edelleen joitain rajoituksia, joihin tutkijat toivovat puuttuvan tulevassa työssään. Toistaiseksi heidän tutkimuksensa on keskittynyt kahden modaliteetin tietoihin samanaikaisesti, mutta todellisessa maailmassa ihmiset kohtaavat samanaikaisesti monia tietovirtoja, joita he käsittelevät ajattelematta. Koneiden on vielä opittava tämä.
Voit auttaa Ukrainaa taistelemaan venäläisiä hyökkääjiä vastaan. Paras tapa tehdä tämä on lahjoittaa varoja Ukrainan asevoimille Pelasta elämä tai virallisen sivun kautta NBU.
Lue myös: