Il sistema di deep learning impara meglio quando è distratto

Gli informatici dei Paesi Bassi e della Spagna hanno determinato come a il sistema di deep learning impara meglio quando è distratto. L'intelligenza artificiale (AI) è finalizzata al riconoscimento delle immagini e può imparare a riconoscere l'ambiente circostante. Il team è stato in grado di semplificare il processo di apprendimento dopo aver forzato il sistema a concentrarsi sulle caratteristiche secondarie.

Reti neurali involutive

Il sistema di deep learning si basa su reti neurali convoluzionali (CNN), che sono una forma di deep learning per i sistemi di intelligenza artificiale. 

Estefanía Talavera Martinez è docente e ricercatrice presso il Bernoulli Institute for Mathematics, Computer Science and Artificial Intelligence dell'Università di Groningen nei Paesi Bassi.

"Queste CNN hanno successo, ma non comprendiamo appieno come funzionano", afferma Talavera Martinez.

Talavera Martinez ha utilizzato le CNN per analizzare le immagini provenienti da telecamere indossabili mentre studiava il comportamento umano. Parte del suo lavoro ruotava attorno allo studio delle interazioni umane con il cibo, quindi ha deciso di far riconoscere al sistema i diversi contesti in cui le persone incontrano il cibo.

"Ho notato che il sistema ha commesso errori nella classificazione di alcune immagini e avevo bisogno di sapere perché è successo", ha detto.

Ha fatto uso di mappe di calore e ha analizzato quali parti delle immagini sono state utilizzate dalle CNN per identificare l'ambientazione.

"Ciò ha portato all'ipotesi che il sistema non stesse guardando abbastanza dettagli", ha detto.

Un esempio fornito è stato quello di un sistema di intelligenza artificiale che ha imparato da solo a utilizzare le tazze per identificare una cucina. In questo esempio, l'intelligenza artificiale potrebbe classificare erroneamente aree come salotti e uffici, che spesso hanno anche tazze.

Talavera Martinez e il suo team hanno quindi deciso di sviluppare una soluzione. I suoi colleghi includevano David Morales e Beatriz Remeseiro, entrambi in Spagna. La soluzione proposta era quella di distrarre il sistema dai suoi obiettivi primari.

Sviluppo della soluzione

Il team ha addestrato le CNN con un set di immagini standard di aerei o automobili e ha identificato quali parti delle immagini sono state utilizzate per la classificazione attraverso mappe di calore. Queste parti delle immagini sono state quindi sfocate nel set di immagini e il set di immagini è stato utilizzato per un secondo ciclo di formazione. 

“Questo costringe il sistema a cercare identificatori altrove. E utilizzando queste informazioni extra, diventa più granulare nella sua classificazione ", ha detto Talavera Martinez.

Il nuovo sistema ha funzionato bene nei set di immagini standard e ha avuto successo nelle immagini raccolte da telecamere indossabili. 

"Il nostro regime di allenamento ci dà risultati simili ad altri approcci, ma è molto più semplice e richiede meno tempo di elaborazione", afferma.

I precedenti tentativi di aumentare la classificazione a grana fine si sono concentrati sulla combinazione di diversi gruppi di CNN, ma l'approccio appena sviluppato è molto più leggero.

"Questo studio ci ha dato un'idea migliore di come apprendono queste CNN e questo ci ha aiutato a migliorare il programma di formazione", ha affermato Talavera Martinez.