22
Jul
2019

Google-ის ხელოვნურმა ინტელექტმა „შვილი გააჩინა“ და ის აქამდე შექმნილ ალგორითმებზე ძლიერია

22 Jul 2019

veon
veon


Google Brain-ის მკვლევარებმა შექმნეს ხელოვნური ინტელექტი, რომელმაც „შვილი გააჩინა“. ახალგაზრდა, AI-ს მიერ შექმნილ ალგორითმში ყველაზე საყურადღებო ისაა, რომ მას მშობელი ალგორითმი წვრთნის, ისეთ მაღალ დონეზე, რა დონეზეც მანქანური სწავლების შესაძლებლობა არც ერთ ადამიანის ხელით შექმნილ ხელოვნურ ინტელექტს არ ჰქონია. სისტემას AutoML ჰქვია და მას აქვს შესაძლებლობა, თვითონ შექმნას ახალი ალგორითმები – საკუთარი შვილები. მეცნიერები განმარტავენ, რომ ამ პროექტის მიზანია მანქანური სწავლების მოდელების გამარტივება და ავტომატიზაცია.

AutoML ნეირონული ქსელის მმართველის სახით ფუნქციონირებს. ის არის მშობელი, რომელიც სპეციფიკური ამოცანების გათვალისწინებით, ახალ ალგორითმებს ქმნის. დეტალური დავალება ეძლევა შვილს, ხოლო უკუკავშირს იღებს მშობელი ინტელექტი. უკუკავშირის მიზანი კი კლასიკურია – ეს იმისთვისაა, რომ მმართველმა მშობელმა გაითვალისწინოს და სწავლების პროცესში გამოასწოროს შეცდომები, რომლებიც კონკრეტული დავალების შესრულებისას, მისმა შვილმა AI-მ დაუშვა. ეს პროცესი ათასჯერ შეიძლება გამეორდეს, როცა საქმე ეხება ახალი არქიტექტურის შექმნასა და დახვეწას.

Google AI Created It's Own Child AI, That Is Superior Than Man Made Models

ამჯერად, AI-ს შვილს NASNet დაარქვეს. ის შეიქმნა ობიექტების ამოცნობის მიზნით. მას ევალება რეალურ დროში, ვიდეოს დამუშავებისას ადამიანების, მანქანების, შუქნიშნების ნათების, ხელჩანთებისა და სხვა ობიექტების ამოცნობა. NASNet გამოიცადა გამოსახულებების კლასიფიკაციის ბაზა ImageNet-სა და ობიექტების ამოცნობის მონაცემთა ბაზა COCO-ში. ამ ორ ბაზას Google-ის მეცნიერები ორ ყველაზე პატივსაცემ დიდი მოცულობის აკადემიურ მონაცემთა ბაზას უწოდებენ, კომპიუტერული ხედვის მიმართულებით. NASNet-მა კი ყველა ამ სისტემაში ტესტი გადაჭარბებულად კარგი შედეგებით დაასრულა. მას ჰქონდა 82.7%-იანი აკურატულობა ფოტოების სწორად ამოცნობაში. ეს 1.2%-ით მეტად კარგი შედეგია, ვიდრე ტესტირების დრომდე (2017 წელი) ამ მიმართულებით გამოქვეყნებულა. სისტემას აქვს 43.1%-იანი საშუალო სიზუსტე (mAP). NASNet შეიძლება გამოიყენონ ძალიან ბევრ აპლიკაციაში, ფოტოების კლასიფიკაციისა და ობიექტების ამოცნობის მიმართულებით.

Example object detection using Faster-RCNN with NASNet.

განხილვა