Als Facebook een onofficiële slogan heeft, een equivalent van Google’s ‘Don’t Be Evil’ of Apple’s ‘Think Different’, dan is het ‘Move Fast and Dingen kapot maken." Het betekent, althans in theorie, dat je nieuwe dingen moet proberen en niet bang hoeft te zijn voor de mogelijkheid daarvan mislukking. Maar in 2021, nu sociale media momenteel de schuld krijgen van een overvloed aan maatschappelijke kwalen, zou de zinsnede misschien moeten worden gewijzigd in: “Move Fast and Fix Things.”
Inhoud
- Welkom bij de zelfgeleide revolutie
- Andere mogelijke toepassingen
Een van de vele gebieden waarop sociale media niet alleen zijn Facebook, is aan de schandpaal genageld vanwege de verspreiding van bepaalde afbeeldingen online. Het is in alle opzichten een uitdagend probleem: elke seconde worden er zo'n 4.000 foto-uploads naar Facebook gemaakt. Dat komt neer op 14,58 miljoen afbeeldingen per uur, of 350 miljoen foto's per dag. Voor het handmatig afhandelen van deze klus zou iedereen nodig zijn
Dat zal waarschijnlijk niet snel gebeuren. Dit is de reden waarom de taak van het classificeren van afbeeldingen wordt overgedragen aan kunstmatige intelligentiesystemen. Een nieuw stuk Facebook-onderzoek, dat vandaag is gepubliceerd, beschrijft een nieuw, grootschalig computer vision-model genaamd SEER (dat is ‘ZELF-gecontroleerd’ in de hopeloos verminkte backronym-traditie waar techneuten zo dol op zijn omarmen). Getraind op meer dan 1 miljard openbare afbeeldingen op Instagram, kan het beter presteren dan de meest geavanceerde zelfcontrolerend beeldherkenningssysteem, zelfs als de beelden van lage kwaliteit zijn en daardoor moeilijk lezen.
Verwant
- AI in 2020 een aantal belangrijke mijlpalen bereikt. Hier is een samenvatting
Het is een ontwikkeling die, zo beweren de makers, “de weg [plaveit] voor flexibelere, preciezere en aanpasbare computer vision-modellen.” Het kan beter gebruikt worden houd “schadelijke afbeeldingen of memes weg van ons platform.” Het kan net zo nuttig zijn voor het automatisch genereren van alt-tekstbeschrijvende afbeeldingen voor visueel gehandicapten mensen, superieure automatische categorisering van items die op Marketplace of Facebook Shops worden verkocht, en een groot aantal andere toepassingen die verbeterde computer visie.
Aanbevolen video's
Welkom bij de zelfgeleide revolutie
“Met zelfbegeleiding kunnen we op elk willekeurig beeld trainen”, Priya Goyal, een software-ingenieur bij Facebook AI Research (FAIR), waar het bedrijf uitvoert veel innovatief beeldherkenningsonderzoek, vertelde Digitale Trends. “[Dat] betekent dat we, naarmate de schadelijke inhoud evolueert, snel een nieuw model kunnen trainen op de zich ontwikkelende gegevens en daardoor sneller op de situaties kunnen reageren.”
Het zelftoezicht waar Goyal naar verwijst is een merk van machinaal leren waarvoor minder menselijke inbreng nodig is. Semi-gesuperviseerd leren is een benadering van machinaal leren die zich ergens tussen begeleid en onbewaakt leren bevindt. Bij begeleid leren worden trainingsgegevens volledig gelabeld. Bij onbewaakt leren zijn er geen gelabelde trainingsgegevens. Bij semi-gesuperviseerd leren … nou ja, je begrijpt het wel. Voor machinaal leren is het hetzelfde als ouderschap als je je kind half in de gaten houdt terwijl het autonoom door een park rent. Zelfgestuurd leren is gebruikt voor transformerende effecten in de wereld van natuurlijke taalverwerking voor alles, van automatische vertaling tot het beantwoorden van vragen. Nu wordt het ook toegepast op beeldherkenning.
“Leren zonder toezicht is een zeer brede term die suggereert dat er bij het leren helemaal geen sprake is van toezicht”, aldus Goyal. “Zelfgecontroleerd leren is een subset – of een specifieker geval – van leren zonder supervisie, omdat zelfsupervisie de supervisiesignalen automatisch afleidt uit de trainingsgegevens.”
Wat zelfgestuurd leren voor Facebook betekent, is dat de technici modellen kunnen trainen op willekeurige afbeeldingen, en dat snel kunnen doen, terwijl ze bij veel taken goede prestaties leveren.
“Door te kunnen trainen op elk willekeurig internetbeeld kunnen we de visuele diversiteit van de wereld vastleggen”, aldus Goyal. “Onder toezicht leren daarentegen vereist data-annotaties, wat het visuele begrip van de wereld beperkt, aangezien het model is getraind om slechts zeer beperkte visueel geannoteerde concepten te leren. Bovendien beperkt het creëren van geannoteerde datasets de hoeveelheid data waarop onze systemen kunnen worden getraind, waardoor onder toezicht staande systemen waarschijnlijk meer bevooroordeeld zullen zijn.”
Wat dit betekent is A.I. systemen die beter kunnen leren van de informatie die ze krijgen, zonder moeten vertrouwen op samengestelde en gelabelde datasets die hen leren hoe ze specifieke objecten in een object kunnen herkennen foto. In een wereld die net zo snel beweegt als de online wereld, is dat essentieel. Het zou een slimmere beeldherkenning moeten betekenen die sneller werkt.
Andere mogelijke toepassingen
“We kunnen de zelfgecontroleerde modellen gebruiken om problemen op te lossen in domeinen die over zeer beperkte gegevens of zonder metadata beschikken medische beeldvorming”, zei Goyal. “Omdat we in staat zijn om zelfgecontroleerde modellen van hoge kwaliteit te trainen op basis van willekeurige, ongelabelde en ongecureerde afbeeldingen, kunnen we modellen trainen op elk gewenst niveau. internetimago, en dit stelt ons in staat de diversiteit aan visuele inhoud vast te leggen en de vooroordelen te verminderen die anders door data worden geïntroduceerd curatie. Omdat we geen labels of datacuratie nodig hebben voor het trainen van een zelfbeheerd model, kunnen we snel nieuwe modellen creëren en inzetten om problemen op te lossen.”
Zoals met al het werk van FAIR bevindt dit zich momenteel stevig in de onderzoeksfase, in plaats van dat het een technologie is die de komende weken op uw Facebook-feed zal worden uitgerold. Dat betekent dat dit niet onmiddellijk zal worden ingezet om het probleem van de verspreiding van schadelijke afbeeldingen online op te lossen. Tegelijkertijd betekent het dat gesprekken over de inzet van A.I. Het verder identificeren van fijne details in geüploade afbeeldingen is voorbarig.
Of je het nu leuk vindt of niet, beeldclassificerende A.I. Hulpmiddelen worden steeds slimmer. De grote vraag is of ze gewend zijn om dingen verder kapot te maken of ze weer op te knappen.
Aanbevelingen van de redactie
- AI normaal gesproken niets vergeet, maar het nieuwe systeem van Facebook wel. Dit is waarom
- Facebook's nieuwe A.I. tilt beeldherkenning naar een geheel nieuw niveau
