Ako Facebook ima neslužbeni slogan, ekvivalent Googleovom "Don't Be Evil" ili Appleovom "Think Different", to je "Move Fast and Razbijaj stvari.” To znači, barem u teoriji, da se treba ponavljati kako bi se isprobale vijesti i ne bojati se mogućnosti neuspjeh. Međutim, 2021. godine, s obzirom na to da se društveni mediji trenutačno optužuju za mnoštvo društvenih nevolja, izraz bi se možda trebao modificirati u: "Brzo se kreći i popravljaj stvari."
Sadržaj
- Dobrodošli u samonadziranu revoluciju
- Ostale moguće primjene
Jedno od mnogih područja društvenih medija, ne samo Facebook, optužen je zbog širenja određenih slika na internetu. To je izazovan problem na bilo koji način: oko 4000 fotografija prenese se na Facebook svake sekunde. To je jednako 14,58 milijuna slika na sat, ili 350 milijuna fotografija svaki dan. Ručno rukovanje ovim poslom zahtijevalo bi svaki pojedini
To se vjerojatno neće dogoditi u skorije vrijeme. Zbog toga je posao klasifikacije slika predan sustavima umjetne inteligencije. Novo istraživanje Facebooka, objavljeno danas, opisuje novi model računalnog vida velikih razmjera tzv SEER (to je "Samonadgledan" u beznadno unakaženoj tradiciji pozadinskih imena koju tehničari vole zagrljaj). Uvježban na više od milijardu javnih slika na Instagramu, može nadmašiti najsuvremenije samonadzorni sustav za prepoznavanje slika, čak i kada su slike niske kvalitete i stoga teške čitati.
Povezano
- A.I. postići neke važne prekretnice u 2020. Evo rezimea
To je razvoj koji bi mogao, tvrde njegovi tvorci, "[utirati] put za fleksibilnije, preciznije i prilagodljivije modele računalnog vida." Možda se bolje koristi držite "štetne slike ili meme dalje od naše platforme." Mogao bi biti jednako koristan za automatsko generiranje slika koje opisuju alternativni tekst za osobe oštećena vida ljudi, vrhunska automatska kategorizacija artikala za prodaju na Marketplaceu ili Facebook trgovinama i mnoštvo drugih aplikacija koje zahtijevaju poboljšanja računalni vid.
Preporučeni videozapisi
Dobrodošli u samonadziranu revoluciju
"Koristeći samonadzor, možemo trenirati na bilo kojoj nasumičnoj slici," Priya Goyal, softverski inženjer u Facebook AI Research (FAIR), gdje tvrtka provodi mnoštvo inovativnih istraživanja prepoznavanja slika, rekao je za Digital Trends. "[To] znači da, kako se štetni sadržaj razvija, možemo brzo uvježbati novi model na podacima koji se razvijaju i, kao rezultat toga, brže reagirati na situacije."
Samonadzor na koji Goyal govori je marka strojno učenje koji zahtijeva manje ljudskog doprinosa. Polunadzirano učenje je pristup strojnom učenju koji se nalazi negdje između nadziranog i nenadziranog učenja. U nadziranom učenju podaci o obuci potpuno su označeni. U učenju bez nadzora nema označenih podataka o vježbanju. U polunadziranom učenju... pa, shvatili ste. Za strojno učenje je ono što je za roditeljstvo držati svoje dijete na oku dok autonomno juri po parku. Samonadzirano učenje koristi se za transformativne učinke u svijetu obrade prirodnog jezika za sve, od strojnog prevođenja do odgovaranja na pitanja. Sada se primjenjuje i na prepoznavanje slika.
"Učenje bez nadzora je vrlo širok pojam koji sugerira da učenje ne koristi nikakav nadzor", rekao je Goyal. "Samonadzirano učenje je podskup - ili specifičniji slučaj - nenadziranog učenja, budući da samonadzor automatski izvodi nadzorne signale iz podataka o obuci."
Ono što samonadzirano učenje znači za Facebook je da njegovi inženjeri mogu trenirati modele na nasumičnim slikama, i to brzo, postižući dobre performanse na mnogim zadacima.
"Mogućnost treniranja na bilo kojoj nasumičnoj internetskoj slici omogućuje nam da uhvatimo vizualnu raznolikost svijeta", rekao je Goyal. „Nadzirano učenje, s druge strane, zahtijeva bilješke podataka, što ograničava vizualno razumijevanje svijeta budući da je model obučen da uči samo vrlo ograničene koncepte s vizualnim bilješkama. Također, stvaranje označenih skupova podataka ograničava količinu podataka na kojima se naši sustavi mogu obučavati, stoga će nadzirani sustavi vjerojatno biti pristraniji.”
Ovo znači da je A.I. sustavi koji mogu bolje učiti iz bilo koje informacije koju dobiju, bez moraju se oslanjati na odabrane i označene skupove podataka koji ih uče kako prepoznati određene objekte u a fotografija. U svijetu koji se kreće jednako brzo kao online, to je bitno. To bi trebalo značiti pametnije prepoznavanje slike koje djeluje brže.
Ostale moguće primjene
„Samonadzirane modele možemo koristiti za rješavanje problema u domenama koje imaju vrlo ograničene podatke ili nemaju metapodatke, kao što je medicinsko snimanje”, rekao je Goyal. „Budući da možemo trenirati visokokvalitetne modele pod samonadzorom samo iz nasumičnih, neoznačenih i neobrađenih slika, možemo trenirati modele na bilo kojem internetsku sliku, a to nam omogućuje da uhvatimo raznolikost vizualnog sadržaja i ublažimo pristranosti koje inače unose podaci kuriranje. Budući da nam nisu potrebne oznake ili čuvanje podataka za obuku samonadziranog modela, možemo brzo izraditi i implementirati nove modele za rješavanje problema.”
Kao i sa svim FAIR-ovim radovima, ovo je sada čvrsto u fazi istraživanja, umjesto da bude tehnologija koja će se pojaviti na vašem Facebook feedu u sljedećih nekoliko tjedana. To znači da se ovo neće odmah primijeniti kako bi se riješio problem štetnih slika koje se šire internetom. Ujedno, to znači da razgovori o korištenju A.I. preuranjeno je dalje identificirati sitne detalje u učitanim slikama.
Sviđalo se to nama ili ne, A.I. za klasifikaciju slika. alati postaju sve pametniji. Veliko je pitanje jesu li navikli da dalje kvare stvari ili da ih ponovno počnu popravljati.
Preporuke urednika
- A.I. obično ništa ne zaboravlja, ali Facebookov novi sustav zaboravlja. Evo zašto
- Facebookov novi A.I. podiže prepoznavanje slike na potpuno novu razinu
