Sztuczna inteligencja pokonała człowieka w rozpoznawaniu obrazów!

Mało kto zdaje sobie sprawę z tego, że kilka dni temu został wykonany poważny krok w rozwoju sztucznej inteligencji. Nie po raz pierwszy maszyna pokonała człowieka, ale to zwycięstwo jest doprawdy znaczące.

tl;dr : Szuczna inteligencja pokonała człowieka w rozpoznawaniu obrazów

Mało kto zdaje sobie sprawę z tego, że kilka dni temu został wykonany poważny krok w rozwoju sztucznej inteligencji. Po krótce:
1. Mamy sieć neuronową (dla zielonych ), którą chcemy nauczyć/wytrenować.
2. Uczymy ją rozpoznawać obrazy.
3. (tu mamy tysiąc skomplikowanych algorytmów, bijemy się o to kto zrobi lepszy)
4. Miarą wytrenowania jest poziom błędów przy stwierdzaniu co znajduje się na obrazku (przykład poniżej)

1. Google w 2014 roku osiągnęło wynik 6,66%, człowiek osiąga 5,1%, zaś specjaliści z Microsoftu zeszli do 4,94%.
   Tu ich publikacja

Jeśli te rezultaty zostaną potwierdzone przez innych, każdy kto choć trochę rozumie temat zda sobie sprawę z powagi sytuacji. Zastosowanie tego rozwiązania może zrewolucjonizować wszystkie (literalnie: wszystkie) gałęzie nauki.

Tak. Ja się tym jaram ( ͡° ͜ʖ ͡°)

[kajelu]

W razie zainteresowania ze strony użytkowników mogę zorganizować AMA ze specjalistami od sztucznej inteligencji (prowadzących startup i mających wieloletnie doświadczenie w tym temacie).

[Quavitor]

@kajelu: Rób! A jak nie to chociaż zapytaj ich co taki mały człowieczek jak ja może zrobić w tym kierunku (póki co max to jakaś prosta regresja logistyczna) i robiony aktualny kurs na edx ;)

[b.....l]

@kajelu: co za pytanie :) chlopcze zloty

[plotkiit]

Zalozmy prosta wersje, w ktorej program ma "tylko" rozpoznac czy na zdjeciu jest czlowiek. Programista wymysla sobie zestaw regul(np. czy na obrazie jest duzo zotego, czy wykryto jakies proste linie, czy sa ostre krawedzie itp. sprawy do prostego rozpoznania przez kompputer) a nastepnie przydziela im wagi. Nastepnie przepuszcza sie obraz przez takie filtry i dostaje wynik punktowy.

Teraz program zmienia sobie wagi poszczegonych filtrow i pyta programisty czy prawidlowo rozpoznal obraz. Po

[s.....o]

@plotkiit: Dodam że człowiek działa w taki sam sposób, przez co widzimy buzię na Marsie, czy Jezusa na teście.

[Ovy]

Programista wymysla sobie zestaw regul(np. czy na obrazie jest duzo zotego, czy wykryto jakies proste linie, czy sa ostre krawedzie itp. sprawy do prostego rozpoznania przez kompputer) a nastepnie przydziela im wagi. Nastepnie przepuszcza sie obraz przez takie filtry i dostaje wynik punktowy.

@plotkiit: Tak właściwie zwykle używa się sieci neuronowych, w których zestaw reguł jest też wymyślany przez komputer i poprawiany podczas algorytmu. Tylko dzięki temu można osiągnąć tak

[wiemcozrobiles]

a co jeśliby tę sztuczną inteligencję podłączyć do zderzaka Łągiewki?

[l.....i]

@wiemcozrobiles: ten zderzak powinien jeszcze ładować super nowoczesny akumulator który mógłby zasilać placówkę badawczą opracowującą lekarstwo na raka, oczywiście pod Linuksem.

[wiemcozrobiles]

@Alkreni: Przecież zderzak jest z grafenu. To chyba oczywiste :P :D

[ElCiesiel]

Mnie to już wystarczająco rozkłada na łopatki, a jest online z 8 lat chyba: http://en.akinator.com/

[tkt48]

@ElCiesiel: To działa raczej na zasadzie eliminacji i zawężania możliwych odpowiedzi. Dane pewnie są brane z Wikipedii albo Google. Niewiele ma to wspólnego ze sztuczną inteligencją ale autor algorytmu wykonał przyzwoitą robotę.

[AdireQ]

Wystarczy jedna pozytywna odpowiedź na pytanie typu "czy znasz go osobiście" lub "czy jest powszechnie znany" i już nakierowuje się na ścieżkę wymijających odpowiedzi: Twój nauczyciel, brat, szczur...

Widać też duży wkład społeczności internetowej ( ͡° ͜ʖ ͡°)

[BillyB]

Czy da się wytłumaczyć w prostych słowach na jakiej zasadzie uczy się taka sieć neuronowa? Często temat pojawia się w różnych artykułach, ale próba jego zgłębienia zawsze prowadzi mnie bardzo szybko do specjalistycznych, wymagających wiedzy informacji. Może ktoś potrafi zobrazować to w jakiś bardzo uproszczony sposób tylko żeby można było intuicyjnie uchwycić zasadę działania ?

[I.....r]

@BillyB: W bardzo prosty sposób. Sieć składa się z warstw, a warstwy z neuronów. Neuron to tak naprawdę funkcja, która sumuje liczby mnożąc wpierw każdą taką liczbę przez tzw. wagę (kluczowa sprawa dla zdolności uczenia się sieci, o czym za chwilę). Uruchamiając sieć najpierw karmi się pierwszą warstwę neuronów liczbami opisującymi jakiś obrazek np. pikselami, a neurony wykonują swoją funkcję sumowania i mnożenia przez wagi. Wynik jest przekazywany kolejnym neuronom

[soma115]

@BillyB: Bierzesz liczbę początkową 5 i końcową 10 i każesz komputerowi tak dobrać parametry mnożenia między nimi żeby wynik się zgadzał. Komputer spróbuje np. takiej losowej kombinacji:
5*3=10
ale ten wynik zostanie źle oceniony jak zbyt odległy od celu więc komputer zmieni parametr na:
5*1=10
To znowu zły wynik więc kolejna

[Neoqueto]

Rozwaliło mnie jedno doświadczenie: zrobiłem sobie czerwony, sportowy samochód w 3D, nie jakiś super piękny, nie mam zbyt dużo doświadczenia. Wsadziłem go do rozpoznawania obrazów w Google Images. Nigdy go nigdzie nie publikowałem. Google wyświetlił czerwone, sportowe samochody.

Swoją drogą, talerz z sosem i kawałkiem mięsa to dla mnie talerz z sosem i kawałkiem mięsa, a nie "restauracja", a facet z gitarą śpiewający do mikrofonu to facet z gitarą śpiewający do mikrofonu,

[porn]

@Neoqueto: "Pokonanie człowieka w rozpoznawaniu obrazów" jest tutaj tylko chwytliwym hasłem, dzięki któremu publikacja źródłowa zdobyła rozgłos poza światkiem naukowym, natomiast ludzie zajmujący się rozpoznawaniem obrazów wskazują na dokładnie ten sam problem, o którym ty wspomniałeś w swoim komentarzu. Przez ostatnie lata dokonany został tak wielki postęp w rozpoznawaniu obrazów, że błąd klasyfikacji w coraz mniejszym stopniu zależy od samej konstrukcji sieci, a w coraz większym - od przekłamań i

[Neoqueto]

@porn: rzeczywiście, nie połapałem się. To faktycznie niezłe sukcesy, ale to tylko pokazuje, że rozwój AI powinien zwrócić się w kierunku minimalizacji danych wejściowych. Z drugiej strony - człowiek, który od narodzin był izolowany od nauki czegokolwiek nie będzie potrafił nazwać przedmiotów dookoła niego sam z siebie.

[j.....6]

Małe sprostowanie. Tak, jest to duży postęp.
Nie mniej jednak na sztuczną inteligencję przyjdzie nam poczekać.
To że sieć osiąga poziom błędu lepszy niż człowiek to jeszcze nic nie znaczy.
Bo sieć jest wytrenowana tylko do ograniczonej liczby klas w zbiorze testowym.
Wystarczy zmienić zbiór testowy, dodać nowe klasy i już nie jest tak różowo.
Znowu trzeba trenować, zmieniać topologię sieci i manualnie testować.

[Vibov]

Obejrzyjcie http://www.ted.com/talks/jeremy_howard_the_wonderful_and_terrifying_implications_of_computers_that_can_learn - po angielsku, można zresztą włączyć napisy (również polskie). To jest dość świeże wystąpienie, z grudnia ub. r.

Świetnie się ogląda, a przykłady są zdumiewające. Dodałem to już do powiązanych swoją drogą.

Algorytmy samouczące potrafią np. pobić ludzkie zespoły w tworzeniu receptur leków - pomimo że wśród członków zespołu nie było nikogo z wykształceniem medycznym, biologicznym ani chemicznym!

Pisał

[Stivo75]

Sam jestem autorem modułów predykcji opartych na sieciach neuronowych i powiem tak, daleko nam jeszcze do sztucznej inteligencji. To co jest obecnie to systemy uczące się na podstawie danych, to nie są systemy rozpoznawania ale porównywania danych ze wzorcami. Stworzyłem systemy rozpoznawania tablic rejestracyjnych, preferencji kupujacych w sklepach www itd.

[AdireQ]

to nie są systemy rozpoznawania ale porównywania danych ze wzorcami.

@Stivo75: A jest jakaś różnica?

[AlfaMenel]

@Stivo75: może AMA?

[Elec]

(literalnie: wszystkie)

literalnie to takie angielskie literally rozumiem?