ხელოვნური ინტელექტი
ღრმა სწავლის სისტემა უკეთესად სწავლობს ყურადღების გაფანტვისას
კომპიუტერულმა მეცნიერებმა ნიდერლანდებიდან და ესპანეთიდან დაადგინეს, როგორ ა ღრმა სწავლის სისტემა უკეთესად სწავლობს ყურადღების გაფანტვისას. ხელოვნური ინტელექტი (AI) მიზნად ისახავს გამოსახულების ამოცნობას და შეუძლია ისწავლოს გარემოს ამოცნობა. გუნდმა შეძლო სწავლის პროცესის გამარტივება მას შემდეგ, რაც აიძულა სისტემა ფოკუსირება მოეხდინა მეორეხარისხოვან მახასიათებლებზე.
კონვოლუციური ნერვული ქსელები
ღრმა სწავლის სისტემა ეყრდნობა კონვოლუციურ ნერვულ ქსელებს (CNN), რომლებიც ღრმა სწავლის ფორმაა AI სისტემებისთვის.
ესტეფანია ტალავერა მარტინესი არის ლექტორი და მკვლევარი ბერნულის მათემატიკის, კომპიუტერული მეცნიერებისა და ხელოვნური ინტელექტის ინსტიტუტში, გრონინგენის უნივერსიტეტში, ნიდერლანდებში.
„ეს CNN-ები წარმატებულია, მაგრამ ჩვენ ბოლომდე არ გვესმის, როგორ მუშაობენ ისინი“, ამბობს ტალავერა მარტინესი.
ტალავერა მარტინესმა გამოიყენა CNN-ები, რათა გააანალიზოს გამოსახულება, რომელიც მომდინარეობს ტარებადი კამერებიდან, ადამიანის ქცევის შესწავლისას. მისი ზოგიერთი ნამუშევარი ეყრდნობოდა საკვებთან ადამიანის ურთიერთქმედების შესწავლას, ამიტომ იგი მიზნად ისახავს სისტემას ეცნობა სხვადასხვა პარამეტრები, რომლებშიც ადამიანები ხვდებიან საკვებს.
”მე შევამჩნიე, რომ სისტემამ დაუშვა შეცდომები ზოგიერთი სურათის კლასიფიკაციაში და მჭირდებოდა გამეგო, რატომ მოხდა ეს,” - თქვა მან.
მან გამოიყენა სითბოს რუქები და გააანალიზა სურათების რომელ ნაწილებს იყენებდნენ CNN-ები პარამეტრის დასადგენად.
”ამან გამოიწვია ჰიპოთეზა, რომ სისტემა არ ათვალიერებდა საკმარის დეტალებს,” - თქვა მან.
ერთი მაგალითი მოყვანილი იყო ხელოვნური ინტელექტის სისტემის შესახებ, რომელმაც თავად ასწავლა ჭიქების გამოყენება სამზარეულოს იდენტიფიცირებისთვის. ამ მაგალითში, AI-ს შეუძლია არასწორად მოახდინოს ისეთი ადგილების კლასიფიკაცია, როგორიცაა საცხოვრებელი ოთახები და ოფისები, რომლებსაც ასევე ხშირად აქვთ კათხა.
შემდეგ ტალავერა მარტინესმა და მისმა გუნდმა გადაწყვეტილების შემუშავება დაიწყეს. მისი კოლეგები იყვნენ დევიდ მორალესი და ბეატრიზ რემესეირო, ორივე ესპანეთში. შემოთავაზებული გამოსავალი იყო სისტემის ყურადღების გადატანა მათი ძირითადი მიზნებიდან.
გადაწყვეტის შემუშავება
გუნდმა ავარჯიშა CNN-ები თვითმფრინავების ან მანქანების სტანდარტული გამოსახულების კომპლექტით და დაადგინეს, თუ რომელი სურათების ნაწილები იყო გამოყენებული კლასიფიკაციისთვის სითბოს რუქების საშუალებით. სურათების ეს ნაწილები დაბინდული იყო გამოსახულების კომპლექტში და გამოსახულების ნაკრები გამოიყენებოდა ტრენინგის მეორე რაუნდისთვის.
„ეს აიძულებს სისტემას სხვაგან ეძებოს იდენტიფიკატორები. და ამ დამატებითი ინფორმაციის გამოყენებით, ის უფრო წვრილმარცვლოვანი ხდება მის კლასიფიკაციაში“, - თქვა ტალავერა მარტინესმა.
ახალი სისტემა კარგად მუშაობდა სტანდარტული გამოსახულების კომპლექტებში და წარმატებული იყო აცვიათ კამერებიდან შეგროვებულ სურათებში.
„ჩვენი ვარჯიშის რეჟიმი გვაძლევს სხვა მიდგომების მსგავს შედეგებს, მაგრამ გაცილებით მარტივია და ნაკლებ გამოთვლის დროს მოითხოვს“, - ამბობს ის.
წვრილმარცვლოვანი კლასიფიკაციის გაზრდის წინა მცდელობები ფოკუსირებული იყო CNN-ების სხვადასხვა ნაკრების კომბინაციაზე, მაგრამ ახლად შემუშავებული მიდგომა ბევრად უფრო მსუბუქია.
„ამ კვლევამ მოგვცა უკეთესი წარმოდგენა იმის შესახებ, თუ როგორ სწავლობენ ეს CNN-ები და ეს დაგვეხმარა სასწავლო პროგრამის გაუმჯობესებაში“, - თქვა ტალავერა მარტინესმა.
