Jeśli Facebook ma nieoficjalne hasło, odpowiednik hasła „Don’t Be Evil” Google’a lub „Myśl inaczej” Apple’a, to jest to „Ruszaj się szybko i Łamać rzeczy." Oznacza to, przynajmniej w teorii, że należy iterować, aby wypróbować nowości i nie bać się możliwości awaria. Jednak w 2021 r., gdy media społecznościowe są obecnie obwiniane za mnóstwo problemów społecznych, być może sformułowanie to powinno zostać zmodyfikowane w następujący sposób: „Działaj szybko i naprawiaj rzeczy”.
Zawartość
- Witamy w samonadzorowanej rewolucji
- Inne możliwe zastosowania
Jeden z wielu obszarów mediów społecznościowych, nie tylko Facebook, spotkało się z pręgierzem za rozpowszechnianie niektórych obrazów w Internecie. Trudno sobie wyobrazić, że jest to trudny problem: co sekundę do Facebooka przesyłanych jest około 4000 zdjęć. Odpowiada to 14,58 milionom zdjęć na godzinę, czyli 350 milionom zdjęć dziennie. Ręczna obsługa tego zadania wymagałaby każdego
Prawdopodobnie nie nastąpi to w najbliższym czasie. Dlatego też zadanie klasyfikacji obrazów zostaje przekazane systemom sztucznej inteligencji. Opublikowane dzisiaj nowe badanie Facebooka opisuje nowy, wielkoskalowy model widzenia komputerowego, zwany SEER (to znaczy „samodzielny nadzór” w beznadziejnie zniekształconej tradycji backronimów, którą uwielbiają ludzie od technologii uścisk). Wytrenowany na ponad miliardzie publicznych zdjęć na Instagramie, może przewyższyć najbardziej nowatorskie rozwiązania samokontrolujący system rozpoznawania obrazu, nawet jeśli obrazy są niskiej jakości i przez to trudne czytać.
Powiązany
- sztuczna inteligencja osiągnęła kilka kluczowych kamieni milowych w 2020 r. Oto podsumowanie
Jest to osiągnięcie, które, jak twierdzą jego twórcy, może „[utorować] drogę dla bardziej elastycznych, precyzyjnych i dających się dostosować modeli widzenia komputerowego”. Można go lepiej wykorzystać trzymaj „szkodliwe obrazy i memy z dala od naszej platformy”. Może być równie przydatny do automatycznego generowania obrazów z tekstem alternatywnym opisującym dla osób niedowidzących ludzi, doskonała automatyczna kategoryzacja przedmiotów do sprzedaży w Marketplace lub sklepach na Facebooku oraz wiele innych aplikacji wymagających ulepszeń wizja komputerowa.
Polecane filmy
Witamy w samonadzorowanej rewolucji
„Dzięki samokontroli możemy trenować na dowolnym losowym obrazie” Priya Goyal, inżynier oprogramowania w Facebook AI Research (FAIR), gdzie firma realizuje wiele innowacyjnych badań nad rozpoznawaniem obrazów, powiedział Digital Trends. „[To] oznacza, że w miarę ewolucji szkodliwych treści możemy szybko wytrenować nowy model na podstawie zmieniających się danych i w rezultacie szybciej reagować na sytuacje”.
Samokontrola, o której wspomina Goyal, jest marką nauczanie maszynowe co wymaga mniejszego wkładu człowieka. Uczenie się częściowo nadzorowane to podejście do uczenia maszynowego, które plasuje się gdzieś pomiędzy uczeniem się nadzorowanym i bez nadzoru. W uczeniu nadzorowanym dane szkoleniowe są w pełni oznakowane. W przypadku uczenia się bez nadzoru nie ma oznakowanych danych szkoleniowych. W przypadku uczenia się półnadzorowanego… cóż, rozumiesz, o co chodzi. W uczeniu maszynowym jest tym, czym dla rodzicielstwa jest obserwowanie dziecka, gdy porusza się autonomicznie po parku. Samonadzorowane uczenie się zostało wykorzystane do transformacji w świecie przetwarzania języka naturalnego we wszystkim, od tłumaczenia maszynowego po odpowiadanie na pytania. Obecnie stosuje się je także do rozpoznawania obrazów.
„Uczenie się bez nadzoru to bardzo szerokie pojęcie, które sugeruje, że w procesie uczenia się w ogóle nie wykorzystuje się nadzoru” – powiedział Goyal. „Uczenie się samonadzorowane jest podzbiorem – lub bardziej konkretnym przypadkiem – uczenia się bez nadzoru, ponieważ samonadzorowanie automatycznie wyprowadza sygnały nadzoru z danych szkoleniowych”.
Samonadzorowane uczenie się oznacza dla Facebooka to, że jego inżynierowie mogą trenować modele na losowych obrazach i robić to szybko, osiągając jednocześnie dobrą wydajność w wielu zadaniach.
„Możliwość trenowania na dowolnym losowym obrazie internetowym pozwala nam uchwycić wizualną różnorodność świata” – powiedział Goyal. „Z drugiej strony uczenie się nadzorowane wymaga adnotacji danych, co ogranicza wizualne zrozumienie świata, ponieważ model jest szkolony tak, aby uczył się tylko bardzo ograniczonych pojęć z adnotacjami wizualnymi. Ponadto tworzenie zestawów danych z adnotacjami ogranicza ilość danych, na których można szkolić nasze systemy, dlatego nadzorowane systemy będą prawdopodobnie bardziej stronnicze”.
Oznacza to, że A.I. systemy, które mogą lepiej uczyć się na podstawie wszelkich informacji, które otrzymują, bez nich konieczność polegania na wyselekcjonowanych i oznakowanych zbiorach danych, które uczą ich, jak rozpoznawać określone obiekty w a zdjęcie. W świecie, który porusza się tak szybko, jak ten online, jest to niezbędne. Powinno to oznaczać inteligentniejsze rozpoznawanie obrazu, które działa szybciej.
Inne możliwe zastosowania
„Możemy używać modeli samonadzorowanych do rozwiązywania problemów w domenach, które mają bardzo ograniczone dane lub nie mają metadanych, np. obrazowanie medyczne– powiedział Goyal. „Możliwość trenowania wysokiej jakości, samonadzorowanych modeli na podstawie losowych, nieoznaczonych i niesprawdzonych obrazów, możemy trenować modele na dowolnym obrazu internetowego, co pozwala nam uchwycić różnorodność treści wizualnych i złagodzić błędy wprowadzane w przeciwnym razie przez dane kuracja. Ponieważ do uczenia modelu samonadzorowanego nie potrzebujemy żadnych etykiet ani sprawdzania danych, możemy szybko tworzyć i wdrażać nowe modele w celu rozwiązywania problemów”.
Podobnie jak w przypadku całej pracy FAIR, obecnie znajduje się ona na etapie badań i nie jest technologią, która zostanie wprowadzona na Facebooku w ciągu najbliższych kilku tygodni. Oznacza to, że nie zostanie ono natychmiast wdrożone w celu rozwiązania problemu szkodliwych obrazów rozprzestrzeniających się w Internecie. Jednocześnie oznacza to, że rozmowy na temat wykorzystania A.I. w celu dalszej identyfikacji drobnych szczegółów w przesłanych obrazach są przedwczesne.
Czy ci się to jednak podoba, czy nie, sztuczna inteligencja klasyfikująca obrazy narzędzia stają się coraz inteligentniejsze. Najważniejsze pytanie brzmi, czy są one przyzwyczajone do dalszego psucia rzeczy, czy też zaczynają je ponownie naprawiać.
Zalecenia redaktorów
- sztuczna inteligencja zazwyczaj niczego nie zapomina, ale nowy system Facebooka tak. Dlatego
- Nowa sztuczna inteligencja Facebooka przenosi rozpoznawanie obrazu na zupełnie nowy poziom
