211service.com
¿El próximo gran paso para la IA? Vídeo de comprensión
Una captura de pantalla de uno de los videos en el conjunto de datos Moments in Time, que podría ayudar a AI a comprender mejor el contenido del video. Conjunto de datos de momentos en el tiempo
Para una computadora, reconocer un gato o un pato en una imagen fija es bastante inteligente. Pero una prueba más dura para la inteligencia artificial será comprender cuándo el gato está montando un Roomba y persiguiendo al pato por la cocina .
El MIT e IBM publicaron esta semana un vasto conjunto de datos de videoclips minuciosamente anotados con detalles de la acción que se lleva a cabo. El Conjunto de datos de momentos en el tiempo incluye fragmentos de tres segundos de todo, desde la pesca hasta el break-dance.
Muchas cosas en el mundo cambian de un segundo a otro, dice Aude Oliva , científico investigador principal del MIT y una de las personas detrás del proyecto. Si desea comprender por qué sucede algo, el movimiento le brinda mucha información que no puede capturar en un solo cuadro.
El auge actual de la inteligencia artificial fue provocado, en parte, por el éxito en enseñar a las computadoras a reconocer el contenido de imágenes estáticas mediante el entrenamiento de redes neuronales profundas en grandes conjuntos de datos etiquetados (ver La técnica revolucionaria que cambió silenciosamente la visión artificial para siempre).
Los sistemas de inteligencia artificial que interpretan el video hoy en día, incluidos los sistemas que se encuentran en algunos automóviles autónomos, a menudo se basan en identificar objetos en cuadros estáticos en lugar de interpretar acciones. El lunes Google lanzó una herramienta capaz de reconocer los objetos en video como parte de su Cloud Platform, un servicio que ya incluye herramientas de IA para procesamiento de imagen, audio y texto.
El próximo desafío puede ser enseñar a las máquinas a comprender no solo lo que contiene un video, sino también lo que sucede en el metraje. Eso podría tener algunos beneficios prácticos, que quizás conduzcan a nuevas y poderosas formas de buscar, anotar y extraer secuencias de video. También pretende dar a los robots o coches autónomos una mejor comprensión de cómo se desarrolla el mundo que les rodea.
El proyecto MIT-IBM es, de hecho, solo uno de varios conjuntos de datos de video diseñados para estimular el progreso en el entrenamiento de máquinas para comprender las acciones en el mundo físico. El año pasado, por ejemplo, Google lanzó un conjunto de ocho millones de videos de YouTube etiquetados llamado YouTube-8M. Facebook está desarrollando un conjunto de datos anotados de acciones de video llamado conjunto Escenas, Acciones y Objetos.
Olga Russakovsky, profesora asistente en la Universidad de Princeton que se especializa en visión por computadora, dice que ha resultado difícil desarrollar conjuntos de datos de video útiles porque requieren más almacenamiento y poder de cómputo que las imágenes fijas. Estoy emocionada de jugar con estos nuevos datos, dice ella. Creo que la duración de tres segundos es excelente: proporciona un contexto temporal y mantiene bajos los requisitos de almacenamiento y computación.
Otros están adoptando un enfoque más creativo. Veinte mil millones de neuronas , una startup con sede en Toronto y Berlín, creó un conjunto de datos personalizado mediante el pago de trabajadores colaborativos para realizar tareas sencillas. Uno de los cofundadores de la empresa, roland memisevic , dice que también utiliza una red neuronal diseñada específicamente para procesar información de visión temporal.
Las redes entrenadas en los otros conjuntos de datos pueden decirle si el video muestra un partido de fútbol o una fiesta, dice. Nuestras redes pueden decirle si alguien acaba de entrar en la habitación.
Danny Gutfreund, un investigador de IBM que colaboró en el proyecto, dice que reconocer acciones de manera efectiva requerirá que las máquinas aprendan, por ejemplo, sobre una persona que realiza una acción y transfieran este conocimiento a un caso en el que, por ejemplo, un animal realiza la misma acción. El progreso en esta área, conocida como transferencia de aprendizaje, será importante para el futuro de la IA. Veamos cómo las máquinas pueden hacer este aprendizaje de transferencia, esta analogía, que hacemos muy bien, dice.
Gutfreund agrega que la tecnología podría tener aplicaciones prácticas. Podría usarlo para el cuidado de personas mayores, indicando si alguien se ha caído o si se ha tomado su medicamento, dice. Puedes pensar en dispositivos que ayuden a las personas ciegas.