Jei „Facebook“ turi neoficialų šūkį, atitinkantį „Google“ „Don’t Be Evil“ arba „Apple“ „Think Different“, tai yra „Move Fast and Sulaužyk daiktus“. Tai reiškia, bent jau teoriškai, kad reikia kartoti išbandyti naujienas ir nebijoti galimybės nesėkmė. Tačiau 2021 m., kai socialinė žiniasklaida šiuo metu kaltinama dėl daugybės visuomenės nelaimių, frazė, ko gero, turėtų būti pakeista į: „Move Fast and Fix Things“.
Turinys
- Sveiki atvykę į savarankiškai prižiūrimą revoliuciją
- Kitos galimos programos
Viena iš daugelio socialinių tinklų sričių, ne tik Facebook, buvo smerkiamas dėl tam tikrų vaizdų platinimo internete. Tai sudėtinga problema bet kokiai fantazijai: kiekvieną sekundę į „Facebook“ įkeliama apie 4000 nuotraukų. Tai prilygsta 14,58 milijono vaizdų per valandą arba 350 milijonų nuotraukų kiekvieną dieną. Norint atlikti šį darbą rankiniu būdu, reikės kiekvieno
Greičiausiai tai neįvyks. Štai kodėl vaizdų klasifikavimo darbas perduodamas dirbtinio intelekto sistemoms. Šiandien paskelbtame naujame „Facebook“ tyrime aprašomas naujas didelio masto kompiuterinio matymo modelis, vadinamas SEER (tai yra „savęs prižiūrimas“ pagal beviltiškai supainiotą fonovardžių tradiciją, kurią mėgsta technologijų žmonės apkabinti). Išmokytas naudoti daugiau nei 1 milijardą viešų vaizdų Instagram tinkle, jis gali pranokti pačius pažangiausius savikontrolės vaizdo atpažinimo sistema, net jei vaizdai yra prastos kokybės ir dėl to sudėtingi Skaityti.
Susijęs
- A.I. 2020 m. pasiekė keletą svarbių etapų. Štai santrauka
Tai yra plėtra, kuri, jo kūrėjų teigimu, galėtų „[nutiesti] kelią lankstesniems, tikslesniams ir pritaikingesniems kompiuterinio matymo modeliams“. Jis gali būti naudojamas geriau laikykite „kenksmingus vaizdus ar memus toliau nuo mūsų platformos“. Tai taip pat gali būti naudinga automatiškai generuojant alternatyvųjį tekstą apibūdinančius vaizdus regėjimo negalią turintiems žmonėms žmonių, puikus automatinis prekyboje ar „Facebook“ parduotuvėse parduodamų prekių skirstymas į kategorijas ir daugybė kitų programų, kurias reikia patobulinti. kompiuterinis matymas.
Rekomenduojami vaizdo įrašai
Sveiki atvykę į savarankiškai prižiūrimą revoliuciją
„Naudodami savikontrolę galime treniruotis pagal bet kokį atsitiktinį vaizdą“, Priya Goyal, „Facebook AI Research“ (FAIR) programinės įrangos inžinierius, kuriame įmonė vykdo veiklą daugybė novatoriškų vaizdo atpažinimo tyrimų, pasakojo „Digital Trends“. „[Tai] reiškia, kad besivystant žalingam turiniui galime greitai parengti naują modelį besikeičiantiems duomenims ir dėl to greičiau reaguoti į situacijas.
Savikontrolė, kurią nurodo Goyal, yra prekės ženklas mašininis mokymasis tam reikia mažiau žmogaus indėlio. Pusiau prižiūrimas mokymasis yra mašininio mokymosi metodas, kuris yra kažkur tarp prižiūrimo ir neprižiūrimo mokymosi. Prižiūrimo mokymosi metu mokymo duomenys yra visiškai pažymėti. Neprižiūrimo mokymosi metu nėra pažymėtų mokymo duomenų. Pusiau prižiūrimo mokymosi metu... gerai, supranti. Kalbant apie mašininį mokymąsi, tai, kas yra jūsų vaiko stebėjimas, kol jis savarankiškai kraunasi parke, yra auklėjimas. Savarankiškai prižiūrimas mokymasis buvo naudojamas siekiant pakeisti natūralios kalbos apdorojimo pasaulį, pradedant mašininiu vertimu ir baigiant atsakymu į klausimus. Dabar jis taip pat taikomas vaizdų atpažinimui.
„Neprižiūrimas mokymasis yra labai plati sąvoka, leidžianti manyti, kad mokymasis visiškai nenaudoja priežiūros“, - sakė Goyalas. „Savarankiškai prižiūrimas mokymasis yra neprižiūrimo mokymosi poaibis arba konkretesnis atvejis, nes savikontrolė automatiškai gauna priežiūros signalus iš mokymo duomenų.
Savarankiškas mokymasis „Facebook“ reiškia tai, kad jo inžinieriai gali greitai parengti modelius pagal atsitiktinius vaizdus ir tai padaryti greitai, atlikdami daug užduočių.
„Galimybė treniruotis prie bet kokio atsitiktinio interneto vaizdo leidžia mums užfiksuoti vizualinę pasaulio įvairovę“, - sakė Goyalas. „Kita vertus, prižiūrimam mokymuisi reikia duomenų anotacijų, o tai riboja vizualinį pasaulio supratimą, nes modelis mokomas mokytis tik labai ribotų vizualiai anotuotų sąvokų. Be to, kuriant anotuotus duomenų rinkinius, ribojamas duomenų kiekis, kuriuo mūsų sistemos gali būti mokomos, todėl prižiūrimos sistemos gali būti labiau šališkos.
Ką tai reiškia, A.I. sistemos, kurios gali geriau mokytis iš bet kokios joms pateiktos informacijos turi pasikliauti kuruojamais ir pažymėtais duomenų rinkiniais, kurie moko juos atpažinti konkrečius objektus a nuotrauka. Pasaulyje, kuris juda taip pat greitai, kaip ir internetinis, tai labai svarbu. Tai turėtų reikšti išmanesnį vaizdo atpažinimą, kuris veikia greičiau.
Kitos galimos programos
„Mes galime naudoti savarankiškai prižiūrimus modelius, kad išspręstume problemas srityse, kuriose yra labai mažai duomenų arba nėra metaduomenų, pvz. medicininis vaizdas“, - sakė Goyalas. „Galėdami parengti aukštos kokybės, savarankiškai prižiūrimus modelius iš atsitiktinių, nepažymėtų ir nekuruotų vaizdų, galime treniruoti modelius bet kuriame interneto vaizdą, ir tai leidžia užfiksuoti vaizdinio turinio įvairovę ir sušvelninti šališkumą, kurį kitaip sukelia duomenys kuravimas. Kadangi mums nereikia jokių etikečių ar duomenų kuravimo, kad mokytume savarankiškai prižiūrimą modelį, galime greitai sukurti ir įdiegti naujus modelius problemoms spręsti.
Kaip ir visose FAIR veiklose, šiuo metu tai yra tvirtai tyrimo stadijoje, o ne technologija, kuri per ateinančias kelias savaites pasirodys jūsų „Facebook“ sklaidos kanale. Tai reiškia, kad tai nebus nedelsiant panaudota siekiant išspręsti kenksmingų vaizdų plitimo internete problemą. Kartu tai reiškia, kad pokalbiai apie A.I. dar anksti nustatyti smulkias detales įkeltuose vaizduose.
Patinka tai ar ne, tačiau įvaizdį klasifikuojantis A.I. įrankiai darosi išmanesni. Didelis klausimas yra tai, ar jie naudojami tam, kad viską dar labiau sulaužytų, ar vėl pradėtų juos taisyti.
Redaktorių rekomendacijos
- A.I. paprastai nieko nepamiršta, tačiau naujoji „Facebook“ sistema tai daro. Štai kodėl
- „Facebook“ naujasis A.I. pakelia vaizdo atpažinimą į visiškai naują lygį
