Facebook に、Google の「Don't Be Evil」や Apple の「Think Different」に相当する非公式スローガンがあるとすれば、それは「Move Fast and 物事を壊してください。」 これは、少なくとも理論的には、人はニュースを試すことを繰り返し、次の可能性を恐れないことを意味します。 失敗。 しかし、2021 年には、現在ソーシャル メディアが多くの社会悪の原因だと非難されているため、おそらくこのフレーズは「迅速に行動して問題を解決する」に修正されるべきでしょう。
コンテンツ
- 自己監視革命へようこそ
- その他の可能な用途
ソーシャルメディアだけでなく、多くの分野の1つ フェイスブックは、特定の画像をオンラインで拡散したことが非難されています。 これはどう想像しても難しい問題です。Facebook には毎秒約 4,000 枚の写真がアップロードされています。 これは、1 時間あたり 1,458 万枚の画像、または 1 日あたり 3 億 5,000 万枚の写真に相当します。 このジョブを手動で処理するには、すべての作業が必要になります。
それはすぐには起こりそうにありません。 これが、画像を分類する仕事が人工知能システムに引き継がれる理由です。 今日公開された Facebook の新しい調査では、と呼ばれる新しい大規模コンピューター ビジョン モデルについて説明されています。 SEER (テクノロジー関係者が好んで使用する、絶望的に混乱したバックロニムの伝統における「自己責任」です) 抱きしめる）。 Instagram 上の 10 億枚を超える公開画像でトレーニングされ、最先端の画像を上回るパフォーマンスを発揮します 画像の品質が低く、それによって困難な場合でも、自己監視画像認識システム 読むこと。
関連している
- A.I. 2020 年にいくつかの大きなマイルストーンを達成しました。 ここで要約します
これは、「より柔軟で、正確で、適応性のあるコンピュータ ビジョン モデルへの道を開く」可能性がある開発だと開発者は主張しています。 もっと良く使われるかもしれない 「有害な画像やミームを当社のプラットフォームから遠ざける」。 視覚障害者向けに代替テキストを説明する画像を自動的に生成する場合にも同様に役立つ可能性があります。 人、マーケットプレイスや Facebook ショップで販売されるアイテムの優れた自動分類、および改善が必要なその他の多数のアプリケーション コンピュータビジョン。
おすすめ動画
自己監視革命へようこそ
「自己監視を使用すると、任意のランダムな画像でトレーニングできます。」 プリヤ・ゴヤル、同社が実施している Facebook AI Research (FAIR) のソフトウェア エンジニア 数多くの革新的な画像認識研究とデジタルトレンドに語った。 「それは、有害なコンテンツが進化するにつれて、進化するデータに基づいて新しいモデルを迅速にトレーニングできることを意味し、その結果、状況により早く対応できるようになります。」
ゴヤルが言う自己監督とは、 機械学習 そのため人間の入力が少なくて済みます。 半教師あり学習は、教師あり学習と教師なし学習の中間に位置する機械学習へのアプローチです。 教師あり学習では、トレーニング データは完全にラベル付けされます。 教師なし学習では、ラベル付きのトレーニング データはありません。 半教師あり学習では…まあ、おわかりでしょう。 機械学習にとって、子供が公園で自律的に走り回っている間、半分目を離さないことは、子育てにとって同じことです。 自己教師あり学習は、機械翻訳から質問応答に至るまで、あらゆる自然言語処理の世界で変革的な効果をもたらすために使用されてきました。 現在では画像認識にも応用されています。
「教師なし学習とは非常に広範な用語であり、学習にまったく監督を使用しないことを意味します」とゴヤル氏は述べた。 「自己教師あり学習は、教師なし学習のサブセット、またはより具体的なケースです。自己教師監視はトレーニング データから監視信号を自動的に導き出すためです。」
Facebook にとって自己教師あり学習が意味するものは、エンジニアがランダムな画像でモデルをトレーニングし、それを迅速に実行しながら、多くのタスクで優れたパフォーマンスを達成できることです。
「任意のインターネット画像でトレーニングできるため、世界の視覚的多様性を捉えることができます」と Goyal 氏は言います。 「一方、教師あり学習ではデータの注釈が必要ですが、非常に限られた視覚的な注釈付き概念のみを学習するようにモデルがトレーニングされるため、世界の視覚的な理解が制限されます。 また、注釈付きのデータセットを作成すると、システムがトレーニングできるデータ量が制限されるため、教師ありシステムの偏りはさらに大きくなる可能性があります。」
これが意味するのは、A.I. 与えられたあらゆる情報からよりよく学習できるシステム。 空間内の特定のオブジェクトを認識する方法を教える、厳選されラベル付けされたデータセットに依存する必要がある 写真。 オンラインと同じくらい急速に変化する世界では、それは不可欠です。 それは、より迅速に動作する、よりスマートな画像認識を意味するはずです。
その他の可能な用途
「自己教師ありモデルを使用すると、データが非常に限られている、またはメタデータがないドメインの問題を解決できます。 医療画像処理」とゴヤルは語った。 「ランダムでラベルも未管理の画像だけから高品質の自己教師モデルをトレーニングできるため、あらゆる画像でモデルをトレーニングできます。 これにより、多様なビジュアル コンテンツをキャプチャし、データによってもたらされるバイアスを軽減することができます。 キュレーション。 自己教師ありモデルのトレーニングにラベルやデータのキュレーションが必要ないため、新しいモデルを迅速に作成してデプロイして問題を解決できます。」
FAIR のすべての取り組みと同様、これは現時点では研究段階にあり、数週間以内に Facebook フィードに公開されるテクノロジーではありません。 つまり、オンラインで拡散する有害な画像の問題を解決するために、これがすぐに導入されるわけではありません。 それは同時に、AI の使用に関する会話がなくなることを意味します。 アップロードされた画像の詳細をさらに特定するのは時期尚早です。
ただし、好むと好まざるにかかわらず、画像分類 AI は ツールはますます賢くなっています。 大きな問題は、それらが物事をさらに壊すために使われるのか、それとも再び元に戻すために使われるのかということです。
編集者のおすすめ
- A.I. 通常、何も忘れることはありませんが、Facebook の新しいシステムは忘れてしまいます。 その理由は次のとおりです
- Facebookの新しいAI 画像認識をまったく新しいレベルに引き上げます
