Kad čujemo umjetnu inteligenciju i strojno učenje, zamišljamo računalo koje može razmišljati i učiti samo za sebe. Odnosno, praktički kao čovjek.
Svijet opažamo kombinacijom nekoliko osjetila, kao što su vid, sluh i prepoznavanje govora. Ali strojevi tumače svijet uz pomoć podataka koje obrađuju algoritmi. Odnosno, kada stroj vidi fotografiju, prevodi je u skup metapodataka koje koristi za obavljanje zadatka. A ako zakomplicirate zadatak, tj. gdje će osim slike biti zvuka, tada se AI počinje gubiti.
“Glavni problem ovdje je kako stroj može pomiriti te različite modalitete? Lako je nama ljudima. Vidimo auto, a zatim čujemo zvuk automobila koji prolazi i znamo da je to ista stvar. Ali za strojno učenje sve nije tako jednostavno", — rekao je Oleksandr Liu, student diplomskog studija na Laboratoriju za računalnu znanost i umjetnu inteligenciju (CSAIL) i prvi autor rada posvećenog ovom problemu.
Liu i njegovi kolege razvili su metodu umjetne inteligencije koja uči predstavljati podatke na način koji obuhvaća koncepte koji su zajednički vizualnim i audio modalitetima. Na primjer, njihova metoda može naučiti da je radnja djeteta koje plače u videu povezana s riječju "plač" u audio isječku. Koristeći to znanje, njihov model strojnog učenja može odrediti gdje se određena radnja događa u videu i uočiti je.
Ova bi se metoda jednog dana mogla koristiti kao pomoć robotima da uče o konceptima u svijetu kroz percepciju, više kao što to rade ljudi. Model još uvijek ima neka ograničenja za koja se znanstvenici nadaju da će ih riješiti u budućem radu. Do sada su njihova istraživanja bila usmjerena na podatke iz dva modaliteta u isto vrijeme, ali u stvarnom svijetu ljudi su istovremeno suočeni s mnogim tokovima podataka koje obrađuju bez razmišljanja. Strojevi to tek trebaju naučiti.
Možete pomoći Ukrajini u borbi protiv ruskih osvajača. Najbolji način da to učinite je donirati sredstva Oružanim snagama Ukrajine putem Savelife ili putem službene stranice NBU.
Pročitajte također: