Los fractales informáticos ilimitados pueden ayudar a entrenar a la IA para ver

Sra. Tecnología | Unsplash

La mayoría de los sistemas de reconocimiento de imágenes se entrenan utilizando grandes bases de datos que contienen millones de fotos de objetos cotidianos, desde serpientes hasta zapatos. Con la exposición repetida, las IA aprenden a distinguir un tipo de objeto de otro. Ahora, investigadores en Japón han demostrado que las IA pueden comenzar a aprender a reconocer objetos cotidianos al ser entrenadas. en fractales generados por computadora en lugar de.

Es una idea extraña, pero podría ser un gran problema. Generar datos de entrenamiento automáticamente es una tendencia emocionante en el aprendizaje automático. Y el uso de un suministro interminable de imágenes sintéticas en lugar de fotos extraídas de Internet evita problemas con los conjuntos de datos hechos a mano existentes.

Problemas de entrenamiento: El preentrenamiento es una fase en la que una IA aprende algunas habilidades básicas antes de ser entrenada en datos más especializados. Los modelos preentrenados permiten que más personas usen una poderosa IA. En lugar de tener que entrenar un modelo desde cero, pueden adaptar uno existente a sus necesidades. Por ejemplo, un sistema para diagnosticar exploraciones médicas podría aprender primero a identificar las características visuales básicas, como la forma y el contorno, al entrenarse previamente en una base de datos de objetos cotidianos, como ImageNet , que contiene más de 14 millones de fotos. Luego se ajustará en una base de datos más pequeña de imágenes médicas hasta que reconozca signos sutiles de enfermedad.

Historia relacionada

La IA debe enfrentarse a su problema del trabajador invisible Los modelos de aprendizaje automático son entrenados por trabajadores temporales en línea mal pagados. No van a desaparecer, pero podemos cambiar la forma en que funcionan, dice Saiph Savage.

El problema es que ensamblar un conjunto de datos como ImageNet a mano requiere mucho tiempo y esfuerzo. Las imágenes suelen estar etiquetadas por trabajadores colectivos mal pagados . Los conjuntos de datos también pueden contener sexista o etiquetas racistas que pueden sesgar a un modelo de manera oculta, así como imágenes de personas que han sido incluidas sin su consentimiento. Hay evidencia de que estos sesgos pueden colarse incluso en el preentrenamiento .

formas naturales : Los fractales se pueden encontrar en todo, desde árboles y flores hasta nubes y olas. Esto hizo que el equipo del Instituto Nacional de Ciencia y Tecnología Industrial Avanzada (AIST) de Japón, el Instituto de Tecnología de Tokio y la Universidad Denki de Tokio se preguntaran si estos patrones podrían usarse para enseñar a un sistema automatizado los conceptos básicos del reconocimiento de imágenes, en lugar de usar fotos. de objetos reales.

Los investigadores crearon FractalDB, un sinfín de fractales generados por computadora. Algunos parecen hojas; otros parecen copos de nieve o conchas de caracol. Cada grupo de patrones similares recibió automáticamente una etiqueta. Luego usaron FractalDB para preentrenar una red neuronal convolucional, un tipo de modelo de aprendizaje profundo comúnmente usado en sistemas de reconocimiento de imágenes, antes de completar su entrenamiento con un conjunto de imágenes reales. Descubrieron que funcionaba casi tan bien como los modelos entrenados en conjuntos de datos de última generación, incluidos ImageNet y Lugares , que contiene 2,5 millones de imágenes de escenas al aire libre.

¿Funciona? Anh Nguyen de la Universidad de Auburn en Alabama, que no participó en el estudio, no está convencido de que FractalDB aún sea un rival para ImageNet. Ha estudiado cómo los patrones abstractos pueden confundir los sistemas de reconocimiento de imágenes . Hay una conexión entre este trabajo y los ejemplos que engañan a las máquinas, dice. Le gustaría explorar cómo funciona este nuevo enfoque con más detalle. Pero los investigadores japoneses creen que con ajustes en su enfoque, los conjuntos de datos generados por computadora como FractalDB podrían reemplazar a los existentes.

Por qué fractales: Los investigadores también intentaron entrenar su IA usando otras imágenes abstractas, incluidas las producidas usando Ruido perlín , que crea patrones moteados, y curvas de Bézier , un tipo de curva utilizada en gráficos por computadora. Pero los fractales dieron los mejores resultados. La geometría fractal existe en el conocimiento de fondo del mundo, dice el autor principal Hirokatsu Kataoka en AIST.

esconder