Si Facebook a un slogan non officiel, équivalent au « Don’t Be Evil » de Google ou au « Think Different » d’Apple, il s’agit bien de « Move Fast and Casser des choses." Cela signifie, au moins en théorie, qu'il faut répéter pour essayer de nouvelles choses et ne pas avoir peur de la possibilité de échec. En 2021, cependant, alors que les médias sociaux sont actuellement accusés d’une pléthore de maux sociétaux, l’expression devrait peut-être être modifiée comme suit: « Agir vite et réparer les choses ».
Contenu
- Bienvenue dans la révolution auto-supervisée
- Autres applications possibles
L'un des nombreux domaines des médias sociaux, pas seulement Facebook, est pointé au pilori pour la diffusion de certaines images en ligne. Il s’agit d’un problème difficile, quel que soit le sens de l’imagination: quelque 4 000 photos sont téléchargées sur Facebook chaque seconde. Cela équivaut à 14,58 millions d'images par heure, soit 350 millions de photos chaque jour. La gestion manuelle de ce travail nécessiterait chaque
Il est peu probable que cela se produise de si tôt. C’est pourquoi le travail de classification des images est confié à des systèmes d’intelligence artificielle. Une nouvelle étude de Facebook, publiée aujourd'hui, décrit un nouveau modèle de vision par ordinateur à grande échelle appelé SEER (c'est-à-dire « SElf-supervised » dans la tradition du backronym désespérément mutilée que les techniciens adorent utiliser) embrasser). Formé sur plus d'un milliard d'images publiques sur Instagram, il peut surpasser les plus performants système de reconnaissance d'images auto-surveillé, même lorsque les images sont de mauvaise qualité et donc difficiles lire.
En rapport
- I.A. a franchi des étapes majeures en 2020. Voici un récapitulatif
Il s’agit d’un développement qui pourrait, selon ses créateurs, « ouvrir la voie à des modèles de vision par ordinateur plus flexibles, précis et adaptables ». Il peut être utilisé pour mieux gardez « les images ou les mèmes nuisibles à l’écart de notre plate-forme ». Il pourrait être également utile pour générer automatiquement des images décrivant un texte alternatif pour les malvoyants. personnes, une catégorisation automatique supérieure des articles à vendre sur Marketplace ou dans les boutiques Facebook, et une multitude d'autres applications qui nécessitent des améliorations vision par ordinateur.
Vidéos recommandées
Bienvenue dans la révolution auto-supervisée
« Grâce à l'autosupervision, nous pouvons nous entraîner sur n'importe quelle image aléatoire » Priya Goyal, ingénieur logiciel chez Facebook AI Research (FAIR), où l'entreprise réalise de nombreuses recherches innovantes en matière de reconnaissance d'images, a déclaré à Digital Trends. « [That] signifie qu’à mesure que le contenu préjudiciable évolue, nous pouvons rapidement former un nouveau modèle sur l’évolution des données et, par conséquent, réagir plus rapidement aux situations. »
L'autosurveillance à laquelle Goyal fait référence est une marque de apprentissage automatique cela nécessite moins d’apport humain. L’apprentissage semi-supervisé est une approche de l’apprentissage automatique qui se situe quelque part entre l’apprentissage supervisé et non supervisé. Dans l’apprentissage supervisé, les données d’entraînement sont entièrement étiquetées. Dans l’apprentissage non supervisé, il n’existe pas de données d’entraînement étiquetées. En apprentissage semi-supervisé… eh bien, vous voyez l’idée. C'est, pour l'apprentissage automatique, ce que garder un demi-œil sur votre enfant pendant qu'il charge de manière autonome dans un parc est pour la parentalité. L'apprentissage auto-supervisé a été utilisé pour produire des effets transformateurs dans le monde du traitement du langage naturel, de la traduction automatique à la réponse aux questions. Aujourd’hui, cela s’applique également à la reconnaissance d’images.
"L'apprentissage non supervisé est un terme très large qui suggère que l'apprentissage ne nécessite aucune supervision", a déclaré Goyal. "L'apprentissage auto-supervisé est un sous-ensemble - ou un cas plus spécifique - de l'apprentissage non supervisé, car l'auto-supervision dérive automatiquement les signaux de supervision à partir des données de formation."
Ce que l'apprentissage auto-supervisé signifie pour Facebook, c'est que ses ingénieurs peuvent entraîner des modèles sur des images aléatoires, et ce, rapidement, tout en obtenant de bonnes performances sur de nombreuses tâches.
"Le fait de pouvoir s'entraîner sur n'importe quelle image Internet aléatoire nous permet de capturer la diversité visuelle du monde", a déclaré Goyal. « L’apprentissage supervisé, en revanche, nécessite des annotations de données, ce qui limite la compréhension visuelle du monde car le modèle est formé pour apprendre uniquement des concepts annotés visuels très limités. De plus, la création d’ensembles de données annotés limite la quantité de données sur lesquelles nos systèmes peuvent être formés, les systèmes supervisés sont donc susceptibles d’être plus biaisés.
Cela signifie que l’IA. des systèmes qui peuvent mieux apprendre à partir des informations qui leur sont fournies, sans devoir s'appuyer sur des ensembles de données organisés et étiquetés qui leur apprennent à reconnaître des objets spécifiques dans un photo. Dans un monde qui évolue aussi vite que celui en ligne, c’est essentiel. Cela devrait signifier une reconnaissance d’image plus intelligente et agissant plus rapidement.
Autres applications possibles
« Nous pouvons utiliser les modèles auto-supervisés pour résoudre des problèmes dans des domaines qui disposent de données très limitées ou pas de métadonnées, comme l'imagerie médicale", a déclaré Goyal. « En étant capables de former des modèles auto-supervisés de haute qualité à partir d'images aléatoires, non étiquetées et non organisées, nous pouvons former des modèles sur n'importe quel support. image Internet, ce qui nous permet de capturer la diversité du contenu visuel et d'atténuer les biais autrement introduits par les données curation. Puisque nous n’avons besoin d’aucune étiquette ni conservation de données pour former un modèle auto-supervisé, nous pouvons rapidement créer et déployer de nouveaux modèles pour résoudre les problèmes.
Comme pour tout le travail de FAIR, celui-ci en est actuellement au stade de la recherche, plutôt qu’à une technologie qui sera déployée sur votre flux Facebook dans les prochaines semaines. Cela signifie que cela ne sera pas immédiatement déployé pour résoudre le problème de la diffusion d’images nuisibles en ligne. Dans le même temps, cela signifie que les conversations sur l’utilisation de l’I.A. il est prématuré d’identifier davantage les détails fins des images téléchargées.
Qu'on le veuille ou non, cependant, l'IA de classification d'images les outils deviennent plus intelligents. La grande question est de savoir s’ils sont utilisés pour casser davantage les choses ou s’ils recommencent à les réparer.
Recommandations des rédacteurs
- I.A. n’oublie généralement rien, contrairement au nouveau système de Facebook. Voici pourquoi
- La nouvelle IA de Facebook amène la reconnaissance d'image à un tout autre niveau
