人工知能や機械学習と聞くと、自分で考えて学習できるコンピューターを想像します。 つまり、実質的に人間として。
私たちは、視覚、聴覚、音声認識など、いくつかの感覚の組み合わせによって世界を認識しています。 しかし、機械はアルゴリズムによって処理されたデータの助けを借りて世界を解釈します。 つまり、マシンが写真を見ると、タスクを実行するために使用する一連のメタデータに変換します。 そして、タスクを複雑にする場合、つまり、画像に加えて音がある場合、AIは迷子になり始めます。
「ここでの主な問題は、機械がこれらの異なるモダリティをどのように調整できるかということです。 私たち人間にとっては簡単です。 私たちは車を見て、車が通り過ぎる音を聞いて、それが同じことだと知っています。 しかし、機械学習に関しては、すべてがそれほど単純ではありません」、 — コンピュータ科学および人工知能研究所 (CSAIL) の大学院生であり、この問題に関する論文の最初の著者である Oleksandr Liu 氏は述べています。
Liu と彼の同僚は、視覚と聴覚のモダリティに共通する概念を捉える方法でデータを表現することを学習する人工知能手法を開発しました。 たとえば、彼らの方法は、ビデオで泣いている子供の行動が、オーディオ クリップの「泣いている」という単語に関連していることを学習できます。 この知識を使用して、彼らの機械学習モデルは、特定のアクションがビデオのどこで発生したかを判断し、それを見つけることができます。
この方法は、人間と同じように、ロボットが知覚を通じて世界の概念を学習するのに役立つようになるかもしれません。 モデルにはまだいくつかの制限があり、科学者は将来の研究で対処したいと考えています。 これまでのところ、彼らの研究は同時に つのモダリティからのデータに焦点を当ててきましたが、現実の世界では、人々は無意識に処理する多くのデータの流れに同時に直面しています。 機械はまだこれを学習していません。
ウクライナがロシアの侵略者と戦うのを助けることができます。 これを行う最善の方法は、ウクライナ軍に資金を寄付することです。 セーブライフ または公式ページから NBU.
また読む：