`

СПЕЦИАЛЬНЫЕ
ПАРТНЕРЫ
ПРОЕКТА

Архив номеров

BEST CIO

Определение наиболее профессиональных ИТ-управленцев, лидеров и экспертов в своих отраслях

Человек года

Кто внес наибольший вклад в развитие украинского ИТ-рынка.

Продукт года

Награды «Продукт года» еженедельника «Компьютерное обозрение» за наиболее выдающиеся ИТ-товары

 

Обучение ИИ можно ускорить с помощью изученных ранее абстрактных концепций

0 
 

Обучение ИИ можно ускорить с помощью изученных ранее абстрактных концепций

Несмотря на достижения в области искусственного интеллекта, зрительная система человека по-прежнему остается недостижимым идеалом с точки зрения способности делать обобщения на немногочисленных примерах, надёжно работать с вариациями изображения и понимать сцены.

В журнале Frontiers in Computational Neuroscience Максимилиан Ризенхубер (Maximilian Riesenhuber), профессор нейробиологии Медицинского центра Джорджтаунского университета (округ Колумбия), и Джошуа Рул (Joshua Rule), научный сотрудник Калифорнийского университета в Беркли, рассказали о новом подходе, который значительно улучшает способность искусственного интеллекта (ИИ) быстро изучать новые визуальные концепции.

Люди быстро и точно осваивают новые визуальные концепции, иногда на основе всего лишь одного примера. Даже трех-четырехмесячные младенцы без труда отличат зебр от кошек, лошадей и жирафов. Но компьютерам обычно нужно «видеть» множество примеров одного и того же объекта, чтобы узнать, что это такое.

По мнению авторов, модели ИИ нуждаются в основательной переделке, которая позволила бы им определять отношения между целыми визуальными категориями вместо того, чтобы пытаться идентифицировать объект на основании только низко- и среднеуровневой информации, такой как форма и цвет.

Вычислительная мощность нейронной иерархии мозга проистекает из возможности упрощать обучение, задействуя ранее изученные представления из хранилища полных абстрактных концепций об объектах, которое, по имеющимся сегодня данным, расположено в височной доле головного мозга.

Ризенхубер и Рул обнаружили, что искусственные нейронные сети, которые представляют объекты с применением ранее изученных концепций, усваивают новые визуальные концепции значительно быстрее.

«Вместо того, чтобы изучать концепции высокого уровня в терминах визуальных функций низкого уровня, наш подход объясняет их в терминах других концепций высокого уровня» — пояснил Рул.

«Повторно используя эти концепции, вы можете легче понять новые, уяснив, например, что зебра — это просто лошадь с полосками», — добавил Ризенхубер.

Авторы не только предлагают методы, которые могут помочь компьютерам учиться более эффективно, полученные ими результаты также позволят усовершенствовать нейробиологические эксперименты, исследующие ещё не до конца понимаемый механизм быстрого обучения человека.

Дізнайтесь більше про мікро-ЦОД EcoStruxure висотою 6U

0 
 

Напечатать Отправить другу

Читайте также

 
 

  •  Home  •  Рынок  •  ИТ-директор  •  CloudComputing  •  Hard  •  Soft  •  Сети  •  Безопасность  •  Наука  •  IoT