Machine learning-technologie wordt niet altijd geassocieerd met grote functies. Vaak zijn dit kleine trucjes die het resultaat heel voorzichtig en enigszins beïnvloeden. Bijvoorbeeld gebruiken Twitter Met neurale netwerken kunt u automatisch het meest interessante deel van de foto selecteren voor een voorbeeld.
Het bedrijf werkt al een tijdje aan deze tool, maar heeft de methoden gedetailleerd beschreven blog gisteren nog ML Lucas Theis en label ML Zehan Wang leggen uit hoe ze gezichtsdetectie begonnen te gebruiken om achtergronden bij te snijden, maar ontdekten dat de methode niet werkte voor afbeeldingen van landschappen, objecten en vooral je favoriete katten.
De oplossing was "snoeien met betekenis". Om deze parameter te bepalen, gebruikten de ontwikkelaars gegevens van academische studies over het werk van de ogen, die vastleggen naar welke delen van afbeeldingen mensen het eerst kijken.
"DEZE GEGEVENS KUNNEN WORDEN GEBRUIKT OM NEURALE NETWERKEN EN ANDERE ALGORITMEN TE TRAINEN OM TE VOORSPELLEN WAT MENSEN ZOU WILLEN KIJKEN"
THEIS EN WANG
Nadat de ontwikkelaars het neurale netwerk hadden getraind om deze gebieden te identificeren, moesten ze het optimaliseren om in realtime op de site te werken. Gelukkig voor hen is het bijsnijdgebied dat nodig is om een voorbeeld van foto's te bekijken breed genoeg - je verkleint gewoon de afbeelding. Dit betekent dat Twitter kan de criteria die door het neurale netwerk worden geëvalueerd, verminderen en vereenvoudigen met behulp van een techniek die kennisdestillatie wordt genoemd.
Het eindresultaat was een neuraal netwerk dat tien keer sneller is dan het origineel. "Hierdoor kunnen we object-saliency-detectie uitvoeren op alle afbeeldingen. Zodra ze zijn geladen, selecteren we in realtime het meest interessante deel van de foto", schrijven Theis en Wang.
De nieuwe functie is nu beschikbaar voor alle pc's, iOS- en Android- toepassingen. Daarom zie je er de volgende keer een interessante foto in Twitter, onthoud dat dit ook het resultaat is van een neuraal netwerk.
bron: The Verge