Si participó en el Mannequin Challenge, ahora está avanzando en la investigación de la robótica

Categoría: Inteligencia artificial Al corriente 26 de junio

Regresa tu mente a Internet en 2016. ¿Tienes recuerdos borrosos del Mannequin Challenge? Bueno, la tendencia viral de YouTube ahora se ha utilizado para entrenar una red neuronal en la comprensión de escenas 3D.

El contexto: Naturalmente, somos buenos para interpretar videos 2D como escenas 3D, pero es necesario enseñar a las máquinas cómo hacerlo. Es una habilidad útil: la capacidad de reconstruir la profundidad y la disposición de los objetos que se mueven libremente puede ayudar a los robots a maniobrar en entornos desconocidos. Es por eso que el desafío ha cautivado durante mucho tiempo a los investigadores de visión artificial, especialmente en el contexto de los automóviles autónomos.

Los datos: Para abordar este problema, un equipo de Google AI recurrió a un conjunto de datos inesperado : miles de videos de YouTube de personas que realizan el Mannequin Challenge. (Si pasó por su lado en ese momento, esto implicó quedarse lo más quieto posible mientras alguien se movía a su alrededor, filmando la pose desde todos los ángulos). Estos videos también resultan ser una nueva fuente de datos para comprender la profundidad de un imagen 2D.

El método: Los investigadores convirtieron 2000 de los videos en imágenes 2D con datos de profundidad de alta resolución y los usaron para entrenar una red neuronal. Luego, pudo predecir la profundidad de los objetos en movimiento en un video con una precisión mucho mayor que la que era posible con los métodos de vanguardia anteriores. La semana pasada, los investigadores fueron premiados una mención de honor al mejor artículo en una importante conferencia sobre visión artificial.

Participantes desconocidos: Los investigadores también publicaron su conjunto de datos para respaldar futuras investigaciones, lo que significa que miles de personas que participaron en Mannequin Challenge, sin saberlo, continuarán contribuyendo al avance de la investigación en visión artificial y robótica. Si bien eso puede ser una sorpresa incómoda para algunos, esta es la regla en la investigación de IA y no la excepción.

Muchos de los conjuntos de datos más fundamentales del campo, incluido el de Fei-Fei Li ImageNet , que inició la revolución del aprendizaje profundo, se compilaron a partir de datos disponibles públicamente extraídos de Twitter, Wikipedia, Flickr y otras fuentes. La práctica está motivada por la inmensa cantidad de datos necesarios para entrenar algoritmos de aprendizaje profundo y solo se ha exacerbado en los últimos años a medida que los investigadores producen modelos cada vez más grandes para lograr resultados revolucionarios.

Privacidad de datos: Como hemos escrito antes, esta práctica de raspado de datos no es ni buena ni mala, pero cuestiona las normas sobre el consentimiento en la industria. A medida que los datos se mercantilizan y monetizan cada vez más, los tecnólogos deben pensar si la forma en que usan los datos de alguien se alinea con el espíritu de por qué se generaron y compartieron originalmente.