Kui Facebookil on mitteametlik loosung, mis on samaväärne Google'i "Don't Be Evil" või Apple'i "Think Different" -ga, on see "Move Fast and Murra asju. ” See tähendab, vähemalt teoreetiliselt, et tuleks korrata uudiste proovimist ja mitte karta nende võimalust ebaõnnestumine. Kuid 2021. aastal, kui sotsiaalmeediat süüdistatakse praegu paljudes ühiskondlikes hädades, tuleks seda fraasi võib-olla muuta järgmiselt: "Liikuge kiiresti ja parandage asju."
Sisu
- Tere tulemast enesejärelevalvega revolutsiooni
- Muud võimalikud rakendused
Üks paljudest sotsiaalmeedia valdkondadest, mitte ainult Facebook, on teatud piltide veebis levitamise tõttu pilliloojaks. See on väljakutseid pakkuv probleem mis tahes kujutlusvõimega: Facebooki laaditakse igas sekundis üles umbes 4000 fotot. See võrdub 14,58 miljoni pildiga tunnis ehk 350 miljoni fotoga iga päev. Selle töö käsitsi käsitlemine nõuaks iga üksikut
Tõenäoliselt ei juhtu seda niipea. Seetõttu antakse piltide klassifitseerimise töö üle tehisintellektisüsteemidele. Täna avaldatud uus Facebooki uurimistöö kirjeldab uut suuremahulist arvutinägemise mudelit SEER (see on lootusetult segatud taganüümide traditsioonis, mida tehnikainimesed armastavad embama). Instagramis enam kui 1 miljardi avaliku pildiga treenituna võib see ületada kõige eesrindlikumaid enesekontrolli pildituvastussüsteem, isegi kui pildid on madala kvaliteediga ja seetõttu keerulised lugema.
Seotud
- A.I. saavutab 2020. aastal mõned olulised verstapostid. Siin on kokkuvõte
Selle loojad väidavad, et see on areng, mis võib "[sillutada] teed paindlikumatele, täpsematele ja kohandatavamatele arvutinägemismudelitele". Seda võib paremini kasutada hoidke "kahjulikud pildid või meemid meie platvormist eemal". See võib olla sama kasulik ka vaegnägijatele mõeldud alternatiivteksti kirjeldavate piltide automaatseks genereerimiseks inimesed, Marketplace'is või Facebooki poodides müüdavate kaupade suurepärane automaatne kategoriseerimine ja palju muid rakendusi, mis vajavad täiustamist arvuti nägemine.
Soovitatavad videod
Tere tulemast enesejärelevalvega revolutsiooni
"Enesejärelevalvet kasutades saame treenida mis tahes juhusliku pildi järgi," Priya Goyal, tarkvarainsener Facebook AI Researchis (FAIR), kus ettevõte teostab rohkelt uuenduslikke pildituvastusuuringuid, ütles Digital Trends. "[See] tähendab, et kahjuliku sisu arenedes saame arenevatel andmetel kiiresti uue mudeli välja õpetada ja selle tulemusel reageerida olukordadele kiiremini."
Enesejärelevalve, millele Goyal viitab, on kaubamärk masinõpe mis nõuab vähem inimlikku panust. Poolsuperviseeritud õpe on masinõppe lähenemisviis, mis asub juhendatud ja juhendamata õppimise vahepeal. Juhendatud õppe puhul on koolituse andmed täielikult märgistatud. Järelevalveta õppimisel puuduvad märgistatud koolitusandmed. Pooljärelevalvega õppes … noh, saate aru. Masinõppe seisukohalt on see, mis oma lapsel pooleldi silma peal hoidmine, kui ta pargis iseseisvalt laadib, tähendab vanemlikkust. Enesejuhitud õppimist on kasutatud loomuliku keele töötlemise maailmas transformatiivsete mõjude saavutamiseks, alates masintõlkest kuni küsimustele vastamiseni. Nüüd kasutatakse seda ka pildituvastuses.
"Järelevalveta õppimine on väga lai mõiste, mis viitab sellele, et õppimine ei kasuta üldse järelevalvet," ütles Goyal. "Ise juhendatud õpe on juhendamata õppimise alamhulk või konkreetsem juhtum, kuna enesejärelevalve tuletab juhendamissignaalid automaatselt koolitusandmetest."
Enesekontrolliga õppimine tähendab Facebooki jaoks seda, et selle insenerid saavad treenida mudeleid juhuslike piltide põhjal ja teha seda kiiresti, saavutades samal ajal paljude ülesannete puhul häid tulemusi.
"Võimalus treenida mis tahes juhusliku Interneti-pildi peal võimaldab meil jäädvustada maailma visuaalset mitmekesisust," ütles Goyal. „Järelvalvega õppimine seevastu nõuab andmete annotatsioone, mis piirab visuaalset maailma mõistmist, kuna mudel on koolitatud õppima ainult väga piiratud visuaalselt annoteeritud mõisteid. Samuti piirab annoteeritud andmekogumite loomine andmemahtu, mille kohta meie süsteeme saab koolitada, mistõttu on järelevalve all olevad süsteemid tõenäoliselt kallutatud.
Mida see tähendab, on A.I. süsteemid, mis saavad neile antud teabest paremini õppida, ilma peavad tuginema kureeritud ja märgistatud andmekogumitele, mis õpetavad neid tuvastama konkreetseid objekte a foto. Maailmas, mis liigub sama kiiresti kui võrgumaailm, on see hädavajalik. See peaks tähendama nutikamat pildituvastust, mis toimib kiiremini.
Muud võimalikud rakendused
"Me saame kasutada isejärelevalvega mudeleid probleemide lahendamiseks domeenides, millel on väga piiratud andmed või puuduvad metaandmed, näiteks meditsiiniline pildistamine"ütles Goyal. "Saame koolitada kvaliteetseid, iseseisva järelevalvega mudeleid lihtsalt juhuslike, märgistamata ja kureerimata piltide põhjal, mistõttu saame treenida mudeleid mis tahes Interneti-pilti ja see võimaldab meil jäädvustada visuaalse sisu mitmekesisust ja leevendada andmetest muidu põhjustatud eelarvamusi kureerimine. Kuna me ei vaja isejärelevalvega mudeli koolitamiseks silte ega andmete kureerimist, saame probleemide lahendamiseks kiiresti luua ja kasutusele võtta uusi mudeleid.
Nagu kogu FAIRi töö puhul, on see praegu kindlalt uurimisjärgus, mitte tehnoloogia, mis järgmise paari nädala jooksul teie Facebooki voogu avaldatakse. See tähendab, et seda ei kasutata kohe võrgus levivate kahjulike piltide probleemi lahendamiseks. Samas tähendab see, et vestlused A.I kasutamisest. üleslaaditud piltide peente detailide täpsem tuvastamine on ennatlik.
Meeldib see või mitte, aga pilti klassifitseeriv A.I. tööriistad muutuvad targemaks. Suur küsimus on selles, kas neid kasutatakse asjade edasiseks lõhkumiseks või hakatakse neid uuesti parandama.
Toimetajate soovitused
- A.I. ei unusta tavaliselt midagi, aga Facebooki uus süsteem seda teeb. Siin on põhjus
- Facebooki uus A.I. viib pildituvastuse täiesti uuele tasemele
