211service.com
Facebook crea software que encaja casi tan bien como tú
Cuando se le pregunta si dos fotos desconocidas de rostros muestran a la misma persona, un ser humano lo hará bien el 97,53 por ciento de las veces. El nuevo software desarrollado por investigadores de Facebook puede obtener un 97,25 por ciento en el mismo desafío, independientemente de las variaciones en la iluminación o si la persona en la imagen está directamente frente a la cámara.
Ese es un avance significativo con respecto al software anterior de comparación de rostros y demuestra el poder de un nuevo enfoque de la inteligencia artificial conocido como aprendizaje profundo, en el que Facebook y sus competidores han apostado fuertemente el año pasado (ver Aprendizaje profundo). Esta área de la IA involucra software que utiliza redes de neuronas simuladas para aprender a reconocer patrones en grandes cantidades de datos.
Normalmente no se ve ese tipo de mejora, dice Yaniv Taigman, miembro del equipo de inteligencia artificial de Facebook, un grupo de investigación creado el año pasado para explorar cómo el aprendizaje profundo podría ayudar a la empresa (ver Facebook lanza el esfuerzo avanzado de inteligencia artificial). Nos acercamos de cerca al desempeño humano, dice Taigman sobre el nuevo software. Señala que la tasa de error se ha reducido en más de una cuarta parte en relación con el software anterior que puede asumir la misma tarea.
Giro de cabeza: DeepFace utiliza un modelo 3-D para rotar rostros, virtualmente, de modo que miren hacia la cámara. La imagen (a) muestra la imagen original y (g) muestra la versión final corregida.
El nuevo software de Facebook, conocido como DeepFace, realiza lo que los investigadores llaman verificación facial (reconoce que dos imágenes muestran la misma cara), no reconocimiento facial (poner un nombre a una cara). Pero algunas de las técnicas subyacentes podrían aplicarse a ese problema, dice Taigman, y por lo tanto podrían mejorar la precisión de Facebook al sugerir a quién deben etiquetar los usuarios en una foto recién cargada.
Sin embargo, DeepFace sigue siendo puramente un proyecto de investigación por ahora. Facebook publicó un artículo de investigación sobre el proyecto la semana pasada, y los investigadores presentarán el trabajo en el Conferencia IEEE sobre visión artificial y reconocimiento de patrones en junio. Publicamos nuestros resultados para obtener comentarios de la comunidad de investigadores, dice Taigman, quien desarrolló DeepFace junto con sus colegas de Facebook Ming Yang y Marc'Aurelio Ranzato y el profesor de la Universidad de Tel Aviv, Lior Wolf.
DeepFace procesa imágenes de rostros en dos pasos. Primero, corrige el ángulo de una cara para que la persona en la imagen mire hacia adelante, usando un modelo 3-D de una cara promedio que mira hacia adelante. Luego, el aprendizaje profundo llega cuando una red neuronal simulada elabora una descripción numérica de la cara reorientada. Si DeepFace presenta descripciones lo suficientemente similares de dos imágenes diferentes, decide que deben mostrar la misma cara.
El rendimiento del software final se probó contra un conjunto de datos estándar que los investigadores utilizan para comparar el software de procesamiento de rostros, que también se ha utilizado para medir cómo les va a los humanos al comparar rostros.
Neeraj Kumar , un investigador de la Universidad de Washington que ha trabajado en la verificación y el reconocimiento facial, dice que los resultados de Facebook muestran cómo encontrar suficientes datos para alimentar una gran red neuronal puede permitir mejoras significativas en el software de aprendizaje automático. Apuesto a que gran parte de la ganancia aquí proviene de lo que generalmente proporciona el aprendizaje profundo: poder aprovechar grandes cantidades de datos externos en un modelo de aprendizaje de mucha mayor capacidad, dice.
La parte de aprendizaje profundo de DeepFace consta de nueve capas de neuronas simuladas simples, con más de 120 millones de conexiones entre ellas. Para entrenar esa red, los investigadores de Facebook aprovecharon una pequeña porción de datos del tesoro de imágenes de usuarios de su empresa: cuatro millones de fotos de rostros pertenecientes a casi 4.000 personas. Dado que tienen acceso a una gran cantidad de datos de esta forma, pueden entrenar con éxito un modelo de alta capacidad, dice Kumar.