Ja Facebook ir neoficiāls sauklis, kas ir līdzvērtīgs Google “Don’t Be Evil” vai Apple “Think Different”, tas ir “Move Fast and Salauz lietas.” Tas vismaz teorētiski nozīmē, ka ir jācenšas izmēģināt jaunumus un nebaidīties no iespējamības neveiksme. Tomēr 2021. gadā, kad sociālie mediji pašlaik tiek vainoti daudzās sabiedrības nelaimēs, frāze, iespējams, būtu jāmaina uz: “Move Fast and Fix Things”.
Saturs
- Laipni lūdzam pašpārraudzītajā revolūcijā
- Citas iespējamās lietojumprogrammas
Viena no daudzajām sociālo mediju jomām, ne tikai Facebook, ir tikusi aizskarta dažu attēlu izplatīšanas dēļ tiešsaistē. Tā ir sarežģīta problēma jebkurai iztēles daļai: Facebook katru sekundi tiek augšupielādēti aptuveni 4000 fotoattēlu. Tas atbilst 14,58 miljoniem attēlu stundā jeb 350 miljoniem fotoattēlu katru dienu. Lai veiktu šo darbu manuāli, būtu nepieciešams katrs
Tas, visticamāk, nenotiks tuvākajā laikā. Tāpēc attēlu klasificēšanas darbs tiek nodots mākslīgā intelekta sistēmām. Jauns Facebook pētījums, kas publicēts šodien, apraksta jaunu, liela mēroga datora redzes modeli, ko sauc SEER (tas ir “pašpārraudzīts” bezcerīgi izjauktajā backrony tradīcijā, ko tehnoloģiju ļaudīm patīk apskāviens). Izmantojot vairāk nekā 1 miljardu publisko attēlu pakalpojumā Instagram, tas var pārspēt visprogresīvākos paškontroles attēlu atpazīšanas sistēma, pat ja attēli ir zemas kvalitātes un tādējādi sarežģīti Lasīt.
Saistīts
- A.I. 2020. gadā sasniegs dažus nozīmīgus atskaites punktus. Šeit ir kopsavilkums
Tā ir attīstība, kas, kā apgalvo tās veidotāji, varētu "[bruģēt] ceļu elastīgākiem, precīzākiem un pielāgojamiem datora redzes modeļiem." To var izmantot, lai labāk turiet “kaitīgus attēlus vai mēmes tālāk no mūsu platformas”. Tas varētu būt vienlīdz noderīgi, lai automātiski ģenerētu alternatīvo tekstu aprakstošus attēlus vājredzīgiem cilvēki, izcila automātiska preču kategorizēšana, kas tiks pārdota vietnē Marketplace vai Facebook veikalos, un daudzas citas lietojumprogrammas, kurām ir nepieciešami uzlabojumi. datora redze.
Ieteiktie videoklipi
Laipni lūdzam pašpārraudzītajā revolūcijā
"Izmantojot pašpārraudzību, mēs varam trenēties pēc jebkura nejauša attēla," Prija Gojala, programmatūras inženieris Facebook AI Research (FAIR), kur uzņēmums veic daudz novatorisku attēlu atpazīšanas pētījumu, stāstīja Digital Trends. "[Tas] nozīmē, ka, attīstoties kaitīgajam saturam, mēs varam ātri apmācīt jaunu modeli mainīgajiem datiem un tādējādi ātrāk reaģēt uz situācijām."
Pašuzraudzība, uz kuru Goyal atsaucas, ir zīmols mašīnmācība kas prasa mazāku cilvēka ieguldījumu. Daļēji uzraudzīta mācīšanās ir mašīnmācības pieeja, kas atrodas kaut kur starp uzraudzītu un neuzraudzītu mācīšanos. Uzraudzītās mācībās apmācības dati ir pilnībā marķēti. Nepārraudzītās mācībās nav marķētu apmācības datu. Daļēji uzraudzītā mācībā… labi, jūs saprotat. Mašīnmācībā tas ir tas, kas uzmana savu bērnu, kamēr viņš autonomi uzlādējas pa parku, nozīmē vecāku audzināšanu. Pašuzraudzīta mācīšanās ir izmantota, lai dabiskās valodas apstrādes pasaulē pārveidotu visu, sākot no mašīntulkošanas līdz atbildēm uz jautājumiem. Tagad tas tiek izmantots arī attēlu atpazīšanai.
"Nepārraudzīta mācīšanās ir ļoti plašs termins, kas liek domāt, ka mācīšanās vispār neizmanto uzraudzību," sacīja Goyal. “Pašpārraudzītā mācīšanās ir nekontrolētas mācīšanās apakškopa vai konkrētāks gadījums, jo pašpārraudzība automātiski iegūst uzraudzības signālus no apmācības datiem.”
Pašuzraudzīta apmācība Facebook nozīmē ir tāda, ka tā inženieri var apmācīt modeļus, izmantojot nejaušus attēlus, un to izdarīt ātri, vienlaikus panākot labu sniegumu daudzos uzdevumos.
"Spēja trenēties uz jebkura nejauša interneta attēla ļauj mums tvert pasaules vizuālo daudzveidību," sacīja Goyal. "No otras puses, uzraudzītai apmācībai ir nepieciešamas datu anotācijas, kas ierobežo vizuālo pasaules izpratni, jo modelis ir apmācīts apgūt tikai ļoti ierobežotas vizuāli anotētas koncepcijas. Turklāt anotētu datu kopu izveide ierobežo datu apjomu, par ko var apmācīt mūsu sistēmas, tāpēc uzraudzītās sistēmas, visticamāk, būs neobjektīvākas.
Tas nozīmē, ka A.I. sistēmas, kas var labāk mācīties no jebkādas informācijas, kas tām tiek sniegta, bez tās jāpaļaujas uz atlasītām un marķētām datu kopām, kas māca atpazīt konkrētus objektus a foto. Pasaulē, kas pārvietojas tikpat ātri kā tiešsaistes, tas ir būtiski. Tam vajadzētu nozīmēt gudrāku attēlu atpazīšanu, kas darbojas ātrāk.
Citas iespējamās lietojumprogrammas
"Mēs varam izmantot pašpārraudzītos modeļus, lai atrisinātu problēmas domēnos, kuros ir ļoti ierobežoti dati vai nav metadatu, piemēram, medicīniskā attēlveidošana,” sacīja Gojāls. “Tā kā mēs varam apmācīt augstas kvalitātes, pašpārraudzītus modeļus tikai no nejaušiem, neiezīmētiem un nekurētiem attēliem, mēs varam apmācīt modeļus uz jebkura interneta attēlu, un tas ļauj mums uztvert vizuālā satura daudzveidību un mazināt novirzes, ko citādi rada dati kūrēšana. Tā kā pašpārraudzīta modeļa apmācībai mums nav nepieciešamas etiķetes vai datu pārvaldība, mēs varam ātri izveidot un izvietot jaunus modeļus, lai atrisinātu problēmas.
Tāpat kā ar visu FAIR darbu, šobrīd tas ir stingri izpētes stadijā, nevis tehnoloģija, kas tiks ieviesta jūsu Facebook plūsmā nākamo pāris nedēļu laikā. Tas nozīmē, ka tas netiks nekavējoties izmantots, lai atrisinātu kaitīgo attēlu izplatīšanās problēmu tiešsaistē. Vienlaikus tas nozīmē, ka sarunas par A.I. ir pāragri noteikt sīkas detaļas augšupielādētajos attēlos.
Patīk vai nē, tomēr attēlu klasifikācija A.I. instrumenti kļūst gudrāki. Lielais jautājums ir par to, vai tie tiek izmantoti, lai kaut ko vairāk izjauktu, vai arī sāktu to labošanu no jauna.
Redaktoru ieteikumi
- A.I. parasti neko neaizmirst, bet Facebook jaunā sistēma aizmirst. Lūk, kāpēc
- Facebook jaunais A.I. paceļ attēlu atpazīšanu pilnīgi jaunā līmenī
