Sztuczna inteligencja do optymalizacji

Sztuczna inteligencja do optymalizacji

Jeden z twórców procesu głębokiego uczenia maszynowego, Geoff Hinton uważa, że obecne systemy rozpoznawania obrazu są zaprojektowane niewłaściwie. Jego zdaniem fakt, iż spisują się one o wiele lepiej niż inne rozwiązania nie świadczy o tym, że działają dobrze.

Obecne układy sztucznej inteligencji dedykowane temu zadaniu wykorzystują wielkie zbiory danych i na ich podstawie uczą się, jak wygląda określony przedmiot. Wertują tysiące, a czasem miliony zdjęć, które zostały wykonane pod różnymi kątami i w odmiennych warunkach oświetlenia, by być w stanie prawidłowo nazwać to, co znajduje się na analizowanej fotografii.

Wadą tego rozwiązania jest potrzeba zapewnienia dostępu do odpowiednio dużej ilości danych. Dodatkowo ich analiza wymaga olbrzymich zasobów obliczeniowych. Hinton podkreśla, że ludzie są w stanie rozpoznać obiekt zaledwie po jego jednokrotnym obejrzeniu. Badacz postuluje więc stworzenie bardziej wydajnego systemu rozpoznawania obrazów. Jego zaletą ma być właśnie rezygnacja z wykorzystania ogromnych ilości danych. Swoje założenia opublikował w dwóch artykułach naukowych.

Według Hintona optymalnym rozwiązaniem byłoby stworzenie „sieci kapsułkowych". Każda z nich utworzona byłaby z grupy sztucznych neuronów zajmujących się pojedynczym obrazem ze zbioru wielu fotografii. System działałby analogicznie do tego, w jaki sposób ludzie przetwarzają i przechowują informacje wzrokowe.

(rr)