Kai girdime dirbtinį intelektą ir mašininį mokymąsi, įsivaizduojame kompiuterį, kuris gali pats mąstyti ir mokytis. Tai yra, praktiškai kaip žmogus.
Pasaulį suvokiame derindami keletą pojūčių, tokių kaip regėjimas, klausa ir kalbos atpažinimas. Tačiau mašinos interpretuoja pasaulį naudodamos algoritmais apdorojamus duomenis. Tai yra, kai mašina pamato nuotrauką, ji paverčia ją metaduomenų rinkiniu, kurį naudoja užduočiai atlikti. Ir jei apsunkinate užduotį, t.y. kur, be vaizdo, bus garsas, AI pradeda pasimesti.
„Pagrindinė problema yra ta, kaip mašina gali suderinti šiuos skirtingus būdus? Mums, žmonėms, lengva. Matome automobilį, tada girdime važiuojančios mašinos garsą ir žinome, kad tai tas pats. Tačiau mašininiam mokymuisi viskas nėra taip paprasta"“, – sakė Kompiuterių mokslo ir dirbtinio intelekto laboratorijos (CSAIL) absolventas Oleksandras Liu ir pirmasis šiai problemai skirto straipsnio autorius.
Liu ir jo kolegos sukūrė dirbtinio intelekto metodą, kuris mokosi vaizduoti duomenis taip, kad būtų užfiksuotos sąvokos, būdingos vaizdo ir garso būdams. Pavyzdžiui, jų metodas gali sužinoti, kad vaizdo įraše verkiančio vaiko veiksmas yra susijęs su žodžiu „verkia“ garso klipe. Naudodamiesi šiomis žiniomis, jų mašininio mokymosi modelis gali nustatyti, kur vaizdo įraše atliekamas tam tikras veiksmas, ir jį pastebėti.
Šis metodas vieną dieną gali būti naudojamas padėti robotams per suvokimą sužinoti apie pasaulio sąvokas, panašiai kaip tai daro žmonės. Modelis vis dar turi tam tikrų apribojimų, kuriuos mokslininkai tikisi išspręsti būsimame darbe. Iki šiol jų tyrimai buvo sutelkti į duomenis iš dviejų būdų tuo pačiu metu, tačiau realiame pasaulyje žmonės vienu metu susiduria su daugybe duomenų srautų, kuriuos apdoroja negalvodami. Mašinos to dar turi išmokti.
Jūs galite padėti Ukrainai kovoti su Rusijos įsibrovėliais. Geriausias būdas tai padaryti – aukoti lėšas Ukrainos ginkluotosioms pajėgoms per Išgelbėk gyvybę arba per oficialų puslapį NBU.
Taip pat skaitykite: