მკვლევარები იყენებენ AI-ს, რათა გამოიკვლიონ, თუ როგორ განსხვავდება ანარეკლები ორიგინალური სურათებისგან

კორნელის უნივერსიტეტის მკვლევარებმა ახლახან გამოიყენეს მანქანური სწავლების სისტემები, რათა გამოეკვლიათ, თუ როგორ განსხვავდება სურათების ასახვა ორიგინალური სურათებისგან. იტყობინება ScienceDailyმკვლევართა ჯგუფის მიერ შექმნილმა ალგორითმებმა დაადგინეს, რომ არსებობდა დამაჯერებელი ნიშნები, განსხვავებები ორიგინალური გამოსახულებისგან, რომ სურათი იყო გადაბრუნებული ან ასახული.

Cornell Tech-ის კომპიუტერული მეცნიერების ასოცირებული პროფესორი, ნოა სნაველი იყო კვლევის უფროსი ავტორი. სნაველის თქმით, კვლევითი პროექტი დაიწყო მაშინ, როდესაც მკვლევარები დაინტერესდნენ იმით, თუ როგორ განსხვავდებოდა სურათები როგორც აშკარა, ისე დახვეწილი თვალსაზრისით, როდესაც ისინი აისახებოდა. Snavely-მ განმარტა, რომ საგნებიც კი, რომლებიც ერთი შეხედვით ძალიან სიმეტრიულად გამოიყურება, ჩვეულებრივ შეიძლება გამოირჩეოდეს როგორც ანარეკლი შესწავლისას. მე დაინტერესებული ვარ იმ აღმოჩენებით, რომელთა გაკეთებაც შეგიძლიათ ინფორმაციის მოპოვების ახალი გზებით“, - თქვა სნაველიმ, ScienceDaily-ის მიხედვით.

მკვლევარებმა ყურადღება გაამახვილეს ადამიანების სურათებზე, გამოიყენეს ისინი თავიანთი ალგორითმების მოსამზადებლად. ეს გაკეთდა იმის გამო, რომ სახეები აშკარად ასიმეტრიულად არ გამოიყურება. როდესაც სწავლობდნენ მონაცემებზე, რომლებიც განასხვავებდნენ ამობრუნებულ სურათებს ორიგინალური სურათებისგან, AI-მ, გავრცელებული ინფორმაციით, მიაღწია სიზუსტეს 60%-დან 90%-მდე სხვადასხვა ტიპის სურათებში.

ამობრუნებული გამოსახულების მრავალი ვიზუალური ნიშანი, რომელიც ხელოვნურმა ინტელექტუალმა შეიტყო, საკმაოდ დახვეწილია და ძნელად შესამჩნევია ადამიანებისთვის, როდესაც ისინი ათვალიერებენ ამობრუნებულ სურათებს. იმ ფუნქციების უკეთ ინტერპრეტაციისთვის, რომლებსაც ხელოვნური ინტელექტი იყენებდა ამობრუნებული და ორიგინალური სურათების გასარჩევად, მკვლევარებმა შექმნეს სითბოს რუკა. სითბოს რუქამ აჩვენა გამოსახულების რეგიონები, რომლებზეც AI იყო ფოკუსირებული. მკვლევართა აზრით, ერთ-ერთი ყველაზე გავრცელებული მინიშნება, რომელიც ხელოვნური ინტელექტის საშუალებით გამოიყენებოდა ამობრუნებული სურათების გასარჩევად, იყო ტექსტი. ეს გასაკვირი არ იყო და მკვლევარებმა წაშალეს ტექსტის შემცველი სურათები მათი სასწავლო მონაცემებიდან, რათა უკეთ შეექმნათ უფრო დახვეწილი განსხვავებები ამობრუნებულ და ორიგინალურ სურათებს შორის.

მას შემდეგ, რაც ტექსტის შემცველი სურათები ამოიღეს სავარჯიშო ნაკრებიდან, მკვლევარებმა აღმოაჩინეს, რომ AI კლასიფიკატორი ფოკუსირებული იყო სურათების მახასიათებლებზე, როგორიცაა მაისურის დამრეკები, მობილური ტელეფონები, მაჯის საათები და სახეები. ზოგიერთ ამ მახასიათებელს აქვს აშკარა, სანდო ნიმუშები, რომლებსაც ხელოვნური ინტელექტის დახვეწა შეუძლია, მაგალითად, ის ფაქტი, რომ ადამიანებს ხშირად აქვთ მობილური ტელეფონები მარჯვენა ხელში და რომ პერანგის საყელოებზე ღილები ხშირად მარცხნივ არის. თუმცა, სახის თვისებები, როგორც წესი, ძალიან სიმეტრიულია, განსხვავებები მცირეა და ძალიან რთულია ადამიანის დამკვირვებლის ამოცნობა.

მკვლევარებმა შექმნეს კიდევ ერთი სითბოს რუკა, რომელიც ხაზს უსვამს სახეების იმ უბნებს, რომლებზეც AI იყო ფოკუსირებული. ხელოვნური ინტელექტი ხშირად იყენებდა ადამიანების თვალებს, თმას და წვერებს გადაბრუნებული სურათების გამოსავლენად. გაურკვეველი მიზეზების გამო, ადამიანები ხშირად იყურებიან ოდნავ მარცხნივ, როდესაც მათ აქვთ გადაღებული ფოტოები. რაც შეეხება იმას, თუ რატომ არის თმა და წვერი ამობრუნებული გამოსახულების ინდიკატორად, მკვლევარები არ არიან დარწმუნებულნი, მაგრამ ისინი ვარაუდობენ, რომ ადამიანის ხელის დაჭერა შეიძლება გამოვლინდეს გაპარსვის ან ვარცხნის გზით. მიუხედავად იმისა, რომ ეს ინდიკატორები შეიძლება იყოს არასანდო, მრავალი ინდიკატორის ერთად გაერთიანებით მკვლევარებს შეუძლიათ მიაღწიონ უფრო მეტ ნდობას და სიზუსტეს.

ამ მიმართულებით მეტი კვლევა უნდა ჩატარდეს, მაგრამ თუ დასკვნები თანმიმდევრული და სანდოა, ეს შეიძლება დაეხმაროს მკვლევარებს მანქანური სწავლების ალგორითმების მომზადების უფრო ეფექტური გზების პოვნაში. კომპიუტერული ხედვის ხელოვნური ინტელექტი ხშირად ივარჯიშება სურათების ასახვის გამოყენებით, რადგან ეს არის ეფექტური და სწრაფი გზა ტრენინგის ხელმისაწვდომი მონაცემების რაოდენობის გაზრდისთვის. შესაძლებელია, რომ ასახული სურათების განსხვავებული გაანალიზებამ შეიძლება დაეხმაროს მანქანური სწავლების მკვლევარებს უკეთ გაიაზრონ მანქანური სწავლების მოდელებში არსებული მიკერძოება, რამაც შეიძლება გამოიწვიოს სურათების არაზუსტად კლასიფიკაცია.

როგორც სნაველი იყო ციტირებს ScienceDaily:

”ეს იწვევს ღია კითხვას კომპიუტერული ხედვის საზოგადოებისთვის, რომელიც არის, როდის არის სწორი ამ გადახვევის გაკეთება თქვენი მონაცემთა ნაკრების გასაზრდელად და როდის არ არის კარგი? ვიმედოვნებ, რომ ეს ხალხს დააფიქრებს ამ კითხვებზე და დაიწყებს ინსტრუმენტების შემუშავებას იმის გასაგებად, თუ როგორ მიკერძოებულია ალგორითმი. ”