นักวิจัยใช้ AI เพื่อสอบสวนความแตกต่างระหว่างภาพสะท้อนและภาพต้นฉบับ

นักวิจัยจากมหาวิทยาลัยคอร์เนลได้ใช้ระบบการเรียนรู้ของเครื่องเพื่อสอบสวนความแตกต่างระหว่างภาพสะท้อนและภาพต้นฉบับ ตามรายงานของ ScienceDaily อัลกอริทึมที่สร้างโดยทีมนักวิจัยพบว่ามีสัญญาณที่บ่งบอกถึงความแตกต่างระหว่างภาพสะท้อนและภาพต้นฉบับ

ศาสตราจารย์ ノア สเนวェลี (Noah Snavely) จากคอร์เนลเทค (Cornell Tech) เป็นหัวหน้าโครงการวิจัยนี้ ตามรายงานของ ScienceDaily สเนวェลีกล่าวว่าโครงการวิจัยนี้เริ่มต้นเมื่อนักวิจัยพบว่าภาพสะท้อนมีความแตกต่างจากภาพต้นฉบับในหลายด้าน “ฉันสนใจการค้นพบใหม่ๆ ที่สามารถทำได้ด้วยวิธีการใหม่ๆ ในการรวบรวมข้อมูล” สเนวェลีกล่าว

นักวิจัยได้ใช้ภาพของคนเพื่อฝึกอบรมอัลกอริทึมของตน เนื่องจากใบหน้าไม่ได้แสดงความไม่สมมาตรที่ชัดเจน เมื่อฝึกอบรมข้อมูลที่แยกความแตกต่างระหว่างภาพสะท้อนและภาพต้นฉบับ AI ได้แสดงความแม่นยำระหว่าง 60% ถึง 90% ในหลายประเภทของภาพ

หลายสัญญาณที่ AI ใช้ในการแยกความแตกต่างระหว่างภาพสะท้อนและภาพต้นฉบับเป็นเรื่องที่ซับซ้อนและยากสำหรับมนุษย์ที่จะสังเกตเห็น เพื่อให้เข้าใจคุณสมบัติที่ AI ใช้ในการแยกความแตกต่างระหว่างภาพสะท้อนและภาพต้นฉบับ นักวิจัยได้สร้างแผนที่ความร้อน (heatmap) เพื่อแสดงถึงพื้นที่ของภาพที่ AI มุ่งเน้นไปที่ ตามนักวิจัย สัญญาณที่ AI ใช้ในการแยกความแตกต่างระหว่างภาพสะท้อนและภาพต้นฉบับเป็นข้อความ (text) ซึ่งเป็นเรื่องที่ไม่น่าแปลกใจ และนักวิจัยได้ลบภาพที่มีข้อความออกจากชุดข้อมูลการฝึกอบรมเพื่อให้เข้าใจถึงความแตกต่างที่ซับซ้อนระหว่างภาพสะท้อนและภาพต้นฉบับ

หลังจากที่นักวิจัยลบภาพที่มีข้อความออกจากชุดข้อมูลการฝึกอบรม พบว่า AI มุ่งเน้นไปที่คุณสมบัติของภาพ เช่น ปุ่มเสื้อ ผู้ใช้โทรศัพท์มือถือ นาฬิกามือ และใบหน้า คุณสมบัติเหล่านี้มีรูปแบบที่ชัดเจนและเชื่อถือได้ ซึ่ง AI สามารถใช้เพื่อแยกความแตกต่างระหว่างภาพสะท้อนและภาพต้นฉบับได้ อย่างไรก็ตาม ใบหน้าเป็นคุณสมบัติที่มีความสมมาตรสูงและมีความแตกต่างที่เล็กและยากสำหรับมนุษย์ที่จะสังเกตเห็น

นักวิจัยได้สร้างแผนที่ความร้อนอีกหนึ่งแผนที่เพื่อแสดงถึงพื้นที่ของใบหน้าที่ AI มุ่งเน้นไปที่ AI มักจะใช้眼睛 ผม และหนวดเพื่อแยกความแตกต่างระหว่างภาพสะท้อนและภาพต้นฉบับ ไม่ชัดเจนว่าทำไมคนมักจะหันหน้าไปทางซ้ายเมื่อมีคนถ่ายรูปพวกเขา สำหรับเหตุผลที่ผมและหนวดเป็นสัญญาณที่บ่งบอกถึงภาพสะท้อน นักวิจัยไม่แน่ใจ แต่พวกเขาคิดว่าอาจเป็นเพราะคนมักจะถูกมือหรือการโกนหนวดที่แตกต่างกัน แม้ว่าสัญญาณเหล่านี้จะไม่น่าเชื่อถือ แต่โดยการรวมสัญญาณเหล่านี้เข้าด้วยกัน นักวิจัยสามารถเพิ่มความมั่นใจและความแม่นยำได้

การวิจัยเพิ่มเติมในด้านนี้จำเป็นต้องดำเนินการต่อ แต่หากผลการวิจัยนี้เป็นไปตามที่คาดหวัง อาจช่วยให้นักวิจัยพบวิธีการฝึกอบรมอัลกอริทึมการเรียนรู้ของเครื่องได้อย่างมีประสิทธิภาพมากขึ้น AI ที่ใช้ในการมองเห็นของเครื่องมักจะถูกฝึกอบรมโดยใช้ภาพสะท้อน เนื่องจากเป็นวิธีการที่รวดเร็วและง่ายในการเพิ่มจำนวนข้อมูลการฝึกอบรม หากการวิเคราะห์ความแตกต่างระหว่างภาพสะท้อนและภาพต้นฉบับสามารถช่วยให้นักวิจัยเข้าใจถึงความเอนเอียงที่อาจเกิดขึ้นในแบบจำลองการเรียนรู้ของเครื่องและทำให้พวกเขาไม่สามารถจำแนกภาพได้อย่างถูกต้อง

ตามที่สเนวェลี ถูกอ้างโดย ScienceDaily

“สิ่งนี้นำไปสู่คำถามที่เปิดกว้างสำหรับชุมชนการมองเห็นของเครื่อง ซึ่งก็คือ เมื่อไหร่ที่ควรทำการสะท้อนเพื่อเพิ่มชุดข้อมูล และเมื่อไหร่ที่ไม่ควรทำ ฉันหวังว่าสิ่งนี้จะทำให้ผู้คนคิดมากขึ้นเกี่ยวกับคำถามเหล่านี้และเริ่มพัฒนาทools เพื่อเข้าใจวิธีการที่มันทำให้แบบจำลองมีความเอนเอียง”