Εάν το Facebook έχει ένα ανεπίσημο σλόγκαν, ισοδύναμο με το "Don't Be Evil" της Google ή το "Think Different" της Apple, αυτό είναι "Move Fast and Σπάστε τα πράγματα." Σημαίνει, τουλάχιστον θεωρητικά, ότι κάποιος πρέπει να επαναλαμβάνει να δοκιμάσει ειδήσεις και να μην φοβάται την πιθανότητα αποτυχία. Το 2021, ωστόσο, με τα μέσα κοινωνικής δικτύωσης να κατηγορούνται επί του παρόντος για μια πληθώρα κοινωνικών κακών, η φράση θα πρέπει, ίσως, να τροποποιηθεί σε: «Κινηθείτε γρήγορα και διορθώστε τα πράγματα».
Περιεχόμενα
- Καλώς ήρθατε στην επανάσταση που επιτηρείται από τον εαυτό σας
- Άλλες πιθανές εφαρμογές
Ένας από τους πολλούς τομείς των μέσων κοινωνικής δικτύωσης, όχι μόνο Facebook, έχει υποστηριχθεί για τη διάδοση ορισμένων εικόνων στο διαδίκτυο. Είναι ένα δύσκολο πρόβλημα με κάθε όριο της φαντασίας: Περίπου 4.000 μεταφορτώσεις φωτογραφιών γίνονται στο Facebook κάθε δευτερόλεπτο. Αυτό ισοδυναμεί με 14,58 εκατομμύρια εικόνες την ώρα, ή 350 εκατομμύρια φωτογραφίες κάθε μέρα. Ο χειρισμός αυτής της εργασίας με το χέρι θα απαιτούσε κάθε άτομο
Αυτό δεν είναι πιθανό να συμβεί σύντομα. Αυτός είναι ο λόγος που η δουλειά της ταξινόμησης εικόνων ανατίθεται στα συστήματα τεχνητής νοημοσύνης. Ένα νέο κομμάτι έρευνας στο Facebook, που δημοσιεύτηκε σήμερα, περιγράφει ένα νέο, μεγάλης κλίμακας μοντέλο υπολογιστικής όρασης που ονομάζεται SEER (αυτό είναι "αυτοεποπτεία" στην απελπιστικά μπερδεμένη παράδοση ιστορικού που λατρεύουν οι άνθρωποι της τεχνολογίας εναγκαλισμός). Εκπαιδευμένο σε πάνω από 1 δισεκατομμύριο δημόσιες εικόνες στο Instagram, μπορεί να ξεπεράσει τις πιο αιχμής σύστημα αυτοελέγχου αναγνώρισης εικόνων, ακόμη και όταν οι εικόνες είναι χαμηλής ποιότητας και ως εκ τούτου δύσκολες να διαβασω.
Σχετίζεται με
- ΟΛΑ ΣΥΜΠΕΡΙΛΑΜΒΑΝΟΝΤΑΙ. επιτύχει μερικά σημαντικά ορόσημα το 2020. Εδώ είναι μια ανακεφαλαίωση
Είναι μια εξέλιξη που θα μπορούσε, ισχυρίζονται οι δημιουργοί της, «[να ανοίξει] το δρόμο για πιο ευέλικτα, ακριβή και προσαρμόσιμα μοντέλα υπολογιστικής όρασης». Μπορεί να χρησιμοποιηθεί για καλύτερα κρατήστε «επιβλαβείς εικόνες ή μιμίδια μακριά από την πλατφόρμα μας». Θα μπορούσε να είναι εξίσου χρήσιμο για την αυτόματη δημιουργία εικόνων που περιγράφουν εναλλακτικό κείμενο για άτομα με προβλήματα όρασης άτομα, ανώτερη αυτόματη κατηγοριοποίηση αντικειμένων προς πώληση στο Marketplace ή στο Facebook Shops και μια πληθώρα άλλων εφαρμογών που απαιτούν βελτιωμένες όραση υπολογιστή.
Προτεινόμενα βίντεο
Καλώς ήρθατε στην επανάσταση που επιτηρείται από τον εαυτό σας
«Χρησιμοποιώντας την αυτο-επίβλεψη, μπορούμε να εκπαιδευτούμε σε οποιαδήποτε τυχαία εικόνα», Priya Goyal, μηχανικός λογισμικού στο Facebook AI Research (FAIR), όπου πραγματοποιεί η εταιρεία άφθονη καινοτόμος έρευνα για την αναγνώριση εικόνων, είπε στο Digital Trends. «[Αυτό] σημαίνει ότι, καθώς το επιβλαβές περιεχόμενο εξελίσσεται, μπορούμε γρήγορα να εκπαιδεύσουμε ένα νέο μοντέλο στα εξελισσόμενα δεδομένα και, ως εκ τούτου, να ανταποκρινόμαστε ταχύτερα στις καταστάσεις».
Η αυτοεποπτεία στην οποία αναφέρεται ο Goyal είναι μια μάρκα μηχανική μάθηση που απαιτεί λιγότερα από τον τρόπο ανθρώπινης συμβολής. Η ημιεποπτευόμενη μάθηση είναι μια προσέγγιση της μηχανικής μάθησης που βρίσκεται κάπου μεταξύ της εποπτευόμενης και της μη εποπτευόμενης μάθησης. Στην εποπτευόμενη μάθηση, τα δεδομένα εκπαίδευσης επισημαίνονται πλήρως. Στην μάθηση χωρίς επίβλεψη, δεν υπάρχουν επισημασμένα δεδομένα εκπαίδευσης. Στην ημιεποπτευόμενη μάθηση… λοιπόν, καταλαβαίνετε την ιδέα. Για τη μηχανική μάθηση, αυτό που κρατάς το μισό μάτι στο παιδί σου ενώ χρεώνει αυτόνομα σε ένα πάρκο είναι η ανατροφή των παιδιών. Η αυτοεποπτευόμενη μάθηση έχει χρησιμοποιηθεί για μετασχηματιστικά αποτελέσματα στον κόσμο της επεξεργασίας φυσικής γλώσσας για τα πάντα, από τη μηχανική μετάφραση μέχρι την απάντηση ερωτήσεων. Τώρα, εφαρμόζεται και στην αναγνώριση εικόνας.
«Η μάθηση χωρίς επίβλεψη είναι ένας πολύ ευρύς όρος που υποδηλώνει ότι η μάθηση δεν χρησιμοποιεί καθόλου επίβλεψη», είπε ο Goyal. "Η αυτοεποπτευόμενη μάθηση είναι ένα υποσύνολο - ή πιο συγκεκριμένη περίπτωση - της μάθησης χωρίς επίβλεψη, καθώς η αυτο-επίβλεψη αντλεί τα εποπτικά σήματα αυτόματα από τα δεδομένα εκπαίδευσης."
Αυτό που σημαίνει η αυτοεποπτευόμενη μάθηση για το Facebook είναι ότι οι μηχανικοί του μπορούν να εκπαιδεύσουν μοντέλα σε τυχαίες εικόνες και να το κάνουν γρήγορα, επιτυγχάνοντας παράλληλα καλή απόδοση σε πολλές εργασίες.
«Η δυνατότητα εκπαίδευσης σε οποιαδήποτε τυχαία εικόνα του Διαδικτύου μας επιτρέπει να απαθανατίζουμε την οπτική ποικιλομορφία του κόσμου», είπε ο Goyal. «Η εποπτευόμενη μάθηση, από την άλλη πλευρά, απαιτεί σχολιασμούς δεδομένων, γεγονός που περιορίζει την οπτική κατανόηση του κόσμου, καθώς το μοντέλο εκπαιδεύεται να μαθαίνει μόνο πολύ περιορισμένες οπτικές σχολιασμένες έννοιες. Επίσης, η δημιουργία σχολιασμένων συνόλων δεδομένων περιορίζει τον όγκο δεδομένων στον οποίο μπορούν να εκπαιδευτούν τα συστήματά μας, επομένως τα εποπτευόμενα συστήματα είναι πιθανό να είναι πιο προκατειλημμένα».
Αυτό που σημαίνει είναι η A.I. συστήματα που μπορούν να μάθουν καλύτερα από τις πληροφορίες που τους δίνονται, χωρίς πρέπει να βασίζονται σε επιμελημένα και επισημασμένα σύνολα δεδομένων που τους διδάσκουν πώς να αναγνωρίζουν συγκεκριμένα αντικείμενα σε α φωτογραφία. Σε έναν κόσμο που κινείται τόσο γρήγορα όσο ο διαδικτυακός, αυτό είναι απαραίτητο. Θα πρέπει να σημαίνει πιο έξυπνη αναγνώριση εικόνας που δρα πιο γρήγορα.
Άλλες πιθανές εφαρμογές
«Μπορούμε να χρησιμοποιήσουμε τα αυτοεποπτευόμενα μοντέλα για την επίλυση προβλημάτων σε τομείς που έχουν πολύ περιορισμένα δεδομένα ή δεν έχουν μεταδεδομένα, όπως ιατρική απεικόνιση», είπε ο Γκόγιαλ. «Έχοντας τη δυνατότητα να εκπαιδεύσουμε μοντέλα υψηλής ποιότητας, αυτοεποπτευόμενα από απλώς τυχαίες, χωρίς ετικέτα και μη επιμελημένες εικόνες, μπορούμε να εκπαιδεύσουμε μοντέλα σε οποιαδήποτε εικόνα στο διαδίκτυο, και αυτό μας επιτρέπει να συλλάβουμε την ποικιλομορφία του οπτικού περιεχομένου και να μετριάζουμε τις προκαταλήψεις που εισάγονται διαφορετικά από τα δεδομένα επιμέλεια. Δεδομένου ότι δεν απαιτούμε ετικέτες ή επιμέλεια δεδομένων για την εκπαίδευση ενός μοντέλου που επιτηρείται μόνος του, μπορούμε να δημιουργήσουμε και να αναπτύξουμε γρήγορα νέα μοντέλα για την επίλυση προβλημάτων.»
Όπως συμβαίνει με όλες τις εργασίες της FAIR, αυτή τη στιγμή βρίσκεται σταθερά σε ερευνητικά στάδια, αντί να είναι τεχνολογία που θα κυκλοφορήσει στη ροή σας στο Facebook τις επόμενες δύο εβδομάδες. Αυτό σημαίνει ότι δεν θα αναπτυχθεί αμέσως για να λυθεί το πρόβλημα των επιβλαβών εικόνων που διαδίδονται στο διαδίκτυο. Ταυτόχρονα, σημαίνει ότι οι συζητήσεις για τη χρήση A.I. ο περαιτέρω προσδιορισμός λεπτών λεπτομερειών στις μεταφορτωμένες εικόνες είναι πρόωρο.
Είτε αρέσει είτε όχι, όμως, η ταξινόμηση εικόνων A.I. τα εργαλεία γίνονται πιο έξυπνα. Το μεγάλο ερώτημα είναι αν έχουν συνηθίσει να σπάνε τα πράγματα περαιτέρω ή να αρχίσουν να τα διορθώνουν ξανά.
Συστάσεις των συντακτών
- ΟΛΑ ΣΥΜΠΕΡΙΛΑΜΒΑΝΟΝΤΑΙ. συνήθως δεν ξεχνά τίποτα, αλλά το νέο σύστημα του Facebook το κάνει. Να γιατί
- Το νέο A.I του Facebook. ανεβάζει την αναγνώριση εικόνας σε ένα εντελώς νέο επίπεδο
