211service.com
Próxima gran prueba para la IA: dar sentido al mundo
Hace unos años, un gran avance en el aprendizaje automático de repente permitió a las computadoras reconocer los objetos que se muestran en las fotografías con una precisión sin precedentes, casi espeluznante. La pregunta ahora es si las máquinas pueden dar otro salto, aprendiendo a dar sentido a lo que realmente sucede en esas imágenes.
Una nueva base de datos de imágenes, llamada genoma visual , podría empujar a las computadoras hacia este objetivo y ayudar a medir el progreso de las computadoras que intentan comprender mejor el mundo real. Enseñar a las computadoras a analizar escenas visuales es de fundamental importancia para la inteligencia artificial. No solo podría generar algoritmos de visión más útiles, sino también ayudar a entrenar a las computadoras para que se comuniquen de manera más efectiva, porque el lenguaje está íntimamente ligado a la representación del mundo físico.
Genoma Visual fue desarrollado por Fei Fei Li , profesor especializado en visión artificial y que dirige el Laboratorio de inteligencia artificial de Stanford , junto a varios compañeros. Nos estamos enfocando mucho en algunas de las preguntas más difíciles de la visión por computadora, que realmente une la percepción con la cognición, dice Li. No solo tomar datos de píxeles y tratar de dar sentido a su color, sombreado, ese tipo de cosas, sino convertir eso en una comprensión más completa del mundo visual tridimensional y semántico.
Li y sus colegas crearon previamente ImageNet, una base de datos que contiene más de un millón de imágenes etiquetadas según su contenido. Cada año, el Desafío de reconocimiento visual a gran escala de ImageNet pone a prueba la capacidad de las computadoras para reconocer automáticamente el contenido de las imágenes.
En 2012, un equipo dirigido por Geoffrey Hinton en la Universidad de Toronto construyó una red neuronal grande y poderosa que podía categorizar imágenes con mucha más precisión que cualquier cosa creada anteriormente. La técnica utilizada para permitir este avance, conocida como aprendizaje profundo, consiste en introducir miles o millones de ejemplos en una red neuronal de muchas capas, entrenando gradualmente cada capa de neuronas virtuales para que responda a características cada vez más abstractas, desde la textura del pelaje de un perro, decir, a su forma general.
El logro del equipo de Toronto marcó tanto un auge del interés en el aprendizaje profundo como una especie de renacimiento de la inteligencia artificial en general. Y desde entonces, el aprendizaje profundo se ha aplicado en muchas otras áreas, mejorando las computadoras en otras tareas importantes, como el procesamiento de audio y texto.
Las imágenes en Visual Genome tienen más etiquetas que en ImageNet, incluidos los nombres y detalles de varios objetos que se muestran en una imagen; las relaciones entre esos objetos; e información sobre cualquier acción que esté ocurriendo. Esto se logró utilizando un enfoque de crowdsourcing desarrollado por uno de los colegas de Li en Stanford, miguel bernstein . El plan es lanzar un desafío al estilo de ImageNet utilizando el conjunto de datos en 2017.
Los algoritmos entrenados con ejemplos en Visual Genome podrían hacer más que solo reconocer objetos, y deberían tener alguna capacidad para analizar escenas visuales más complejas.
Estás sentado en una oficina, pero ¿cuál es el diseño, quién es la persona, qué está haciendo, cuáles son los objetos alrededor, qué evento está sucediendo? Li dice. También estamos conectando [esta comprensión] con el lenguaje, porque la forma de comunicarse no es asignando números a los píxeles: es necesario conectar la percepción y la cognición con el lenguaje.
Li cree que el aprendizaje profundo probablemente jugará un papel clave para permitir que las computadoras analicen escenas más complejas, pero que otras técnicas ayudarán a avanzar en el estado del arte.
Los algoritmos de IA resultantes tal vez podrían ayudar a organizar imágenes en línea o en colecciones personales, pero podrían tener usos más significativos, permitiendo que los robots o los automóviles autónomos entiendan una escena correctamente. Posiblemente, también podrían usarse para enseñar a las computadoras más sentido común, apreciando qué conceptos son físicamente probables o más inverosímiles.
Richard Socher , experto en aprendizaje automático y fundador de una startup de IA llamada metamente , dice que este podría ser el aspecto más importante del proyecto. Una gran parte del lenguaje se trata de describir el mundo visual, dice. Este conjunto de datos proporciona una nueva forma escalable de combinar las dos modalidades y probar nuevos modelos.
Visual Genome no es la única base de datos de imágenes complejas que existe para que los investigadores experimenten. Microsoft, por ejemplo, tiene una base de datos llamada Objetos comunes en contexto , que muestra los nombres y la posición de varios objetos en las imágenes. Google, Facebook y otros también están impulsando la capacidad de los algoritmos de IA para analizar escenas visuales. Una investigación publicada por Google en 2014 mostró un algoritmo que puede proporcionar subtítulos básicos para imágenes, con diferentes niveles de precisión (consulte El software inspirado en el cerebro de Google describe lo que ve en imágenes complejas). Y, más recientemente, Facebook mostró un sistema de preguntas y respuestas que puede responder consultas muy simples sobre imágenes (consulte La aplicación de Facebook puede responder preguntas básicas sobre el contenido de las fotos).
Aude Oliva , un profesor del MIT que estudia la visión humana y artificial, ha desarrollado una base de datos llamada Lugares2 , que contiene más de 10 millones de imágenes de diferentes escenas específicas. Este proyecto pretende inspirar el desarrollo de algoritmos capaces de describir la misma escena de múltiples maneras, como suelen hacer los humanos. Oliva dice que Visual Genome y bases de datos similares ayudarán a avanzar en la visión artificial, pero cree que los investigadores de IA necesitarán inspirarse en la biología si quieren construir máquinas con capacidades verdaderamente similares a las humanas.
Los seres humanos basan sus decisiones e intuiciones en muchos conocimientos, sentido común, experiencias sensoriales, recuerdos y 'pensamientos' que no necesariamente se traducen en lenguaje, habla o texto, dice Oliva. Sin saber cómo el cerebro humano crea pensamientos, será difícil enseñar sentido común y comprensión visual a un sistema artificial. La neurociencia y la informática son las dos caras de la moneda de la IA.