K:
Miksi jotkut koneoppimisprojektit vaativat valtavan määrän toimijoita?
V:Kun ajattelet koneoppimista, sinulla on taipumus ajatella taitavia tietotekijöitä, jotka työskentelevät tietokonehuoneiden näppäimistöillä. Kvantitatiiviseen analyysiin ja algoritmeihin kiinnitetään äärimmäistä huomiota. Monille näistä ohjelmista ei ole kovin paljon välitöntä reaalimaailman kontekstia - ainakin sitä monet ajattelevat.
Jotkin nykypäivän uraauurtavista koneoppimisohjelmista käyttävät kuitenkin ihmisten näyttelijöiden todellisia armeijoita kadulla, kaupoissa ja muualla, jotta he voivat mallintaa ihmisen perustoimintoja, kuten kävely, työskentely tai ostokset.
| Ilmainen lataus: Koneoppiminen ja miksi sillä on merkitystä |
Tom Simoniten langallinen artikkeli kuvaa tätä erittäin hyvin osuvalla otsikolla "Jotta AI: ta älykkäämmäksi, ihmiset suorittavat Oddballin palkkatason pientehtävät".
Hyödyntämällä Whole Foods -kaupassa otettujen lyhyiden videoiden esimerkkiä, Simonite korostaa sellaisia töitä, jotka auttavat rakentamaan jonkin seuraavan koneoppimisvaiheen.
Tämä johtaa kysymykseen, miksi kaikki nämä ihmiset harjoittavat kuvaamista itseään lyhyillä ja yksinkertaisilla videoilla, jotka dokumentoivat toimia niin alkeellisina kuin käden tai jalan liikuttaminen.
Vastaus valaisee jonkin verran, missä koneoppiminen on ja mihin se menee.
"Tutkijat ja yrittäjät haluavat nähdä AI: n ymmärtävän ja toimivan fyysisessä maailmassa", Simonite kirjoittaa selittäen, miksi hän ja muut kiertävät kameroilla. ”Tästä syystä työntekijöiden on suoritettava kohtauksia supermarketeissa ja kodeissa. He tuottavat ohjemateriaalia algoritmien opettamiseen maailmasta ja sen ihmisistä. "
Kuten monet asiantuntijat huomauttavat, eräät koneoppimisen suurimmista rajoista ovat kuvankäsittely ja luonnollisen kielen käsittely. Nämä ovat erittäin kvantitatiivisia menettelyjä - toisin sanoen, ei ole laajaa kirjojen kirjoa, kuten on "suorittavassa" todellisessa ympäristössä. Sen sijaan koneoppimisohjelmat käyttävät visuaalista ja äänidataa hyvin erityisillä tavoilla mallien luomiseen. Kuvankäsittelyn avulla se poimii ominaisuuksia (rajallisesta) näkökentästä. NLP: lle se kokoaa foneemit.
Näiden erityisten syöttöluokkien ylittäminen edellyttää jotain, jota voit kutsua "kuva- ja puheaukkoksi" - ylittämällä esimerkiksi kuvankäsittelyn ja puheentunnistuksen, siirryt alueille, joilla tietokoneiden on oltava analyyttisiä eri tavoin. Harjoittelujoukot ovat pohjimmiltaan erilaisia.
Osallistu videokuvaajien armeijaan. Joissakin näistä uusista koneoppimisprojekteista pienimmät ideat ihmisen toiminnasta ovat harjoitussarjat. Sen sijaan, että koulutettaisiin etsimään ominaisuuksia ja reunoja ja pikseliä, jotka muodostuvat luokitustehtäviin, tietokoneet käyttävät sen sijaan koulutusvideoita arvioidakseen, minkä tyyppiset toiminnot näyttävät.
Tärkeintä on, mitä insinöörit voivat tehdä tämän tiedon kanssa, kun se kootaan ja ladataan ja kun tietokone on koulutettu siihen. Pian näet tulokset eri aloilla - esimerkiksi tämä tekee valvonnasta erittäin tehokasta. Tietokoneet voivat "nähdä" näköalalla mitä ihmiset tekevät, ja soveltaa sitä esimerkiksi markkinointiin ja myyntiin tai joissakin tapauksissa valtion virastotöihin tai rikosoikeuteen.
Seuraukset tuovat myös jonkin verran keskustelua hyötyä ja yksityisyyttä koskevista kysymyksistä. Suuri osa näiden videoiden käytöstä rakentaa koneoppimismalleja, jotka toimivat valvonnalle - mutta entä ihmiset, jotka eivät halua saada tutkimusta? Mitkä ovat yksilön oikeudet ja missä tämä viiva on, kun nämä uudet koneoppimisohjelmat otetaan käyttöön julkisessa tilassa?
Joka tapauksessa yritykset käyttävät tällaisia inhimillisiä ja videoresursseja kaivaakseen todella jonkin seuraavan tason koneoppimisvaiheisiin, joiden avulla tietokoneet voivat tunnistaa heidän ympärillään tapahtuvan sen sijaan, että vain luokittelisivat kuvia tai työskentelevät puheen. Tämä on erittäin mielenkiintoinen ja kiistanalainen kehitys tekoälyn suhteen, ja se ansaitsee osansa huomiosta teknisessä mediassa ja sen ulkopuolella.
