Perhossiipin kuviointi. Kuva: Li Li
Olemme täällä Washingtonissa kuulleet asiasta, jota kutsutte ”ennakkosuunnitteluksi”, mutta emme ole vielä valmiita omaksumaan sen. Hieman liian futuristinen.
Emme voi silti ihailla kaukaa niitä, jotka yrittävät ennustaa, mitä voisi tapahtua yli kuukauden kuluttua. Joten olin vaikuttunut muutama viikko sitten, kun IBM: n suuret ajattelijat kuvittelivat maailmaa viiden vuoden päästä ja määrittelivät, mitä heidän mielestään ovat viisi innovaatioaluetta, joilla on suurin vaikutus päivittäiseen elämäämme.
He ovat tehneet tätä jo muutaman vuoden ajan, mutta tällä kertaa hurjat piiskaukset seurasivat teemaa - viisi ihmisen aistia. Ei niin, että he sanovat, että me kaikki voimme nähdä, kuulla ja haistaa paremmin vuoteen 2018 mennessä, vaan pikemminkin, että koneet - että käyttämällä nopeasti kehittyvää aistinvaraista ja kognitiivista tekniikkaa tietokoneet nopeuttavat muutostaan tiedonhausta ja moottorien prosessointi ajatteluvälineiksi.
Näet kuvion?
Käsittelemme tänään visioita. Looginen harppaus olettaa, että IBM viittaa Googlen Project Glassiin. Ei ole epäilystäkään siitä, että se on määritellyt uudelleen lasien roolin, geeky lisävarusteesta, joka auttaa meitä näkemään paremmin yhdistelmä älypuhelimen / datan sukelluslaitteen, jota me joskus käytämme kasvoillamme.
Mutta siitä IBM: n edustajat eivät puhu. He keskittyvät konenäköyn, erityisesti kuvion tunnistukseen, jolloin tietokoneet pystyvät tunnistamaan asiat toistuvan altistumisen kautta kuville.
Kuten osoittautuu, Google on sattunut osallistumaan yhteen viime vuoden merkittävimpiin kuvontunnistuskokeisiin, projektiin, jossa 1 000 tietokoneen verkko, joka käytti 16 000 prosessoria, tutkittuaan 10 miljoonaa kuvaa YouTube-videoista pystyi opettamaan itselleen mitä kissa näytti.
Tämän teki erityisen vaikuttavaksi se, että tietokoneet pystyivät tekemään niin ilman ihmisen ohjeita siitä, mitä etsiä. Kaikki oppiminen tapahtui koneiden avulla työskentelemällä yhdessä, jotta päätettäisiin, mitkä kissojen ominaisuudet ansaitsivat heidän huomionsa ja mitkä kuviot olivat tärkeitä.
Ja se on malli, jolla koneet oppivat näön. IBM Smithin älykkään tiedonhallinnan vanhempi johtaja John Smith selittää sen seuraavasti:
Oletetaan, että halusimme opettaa tietokoneelle miltä ranta näyttää. Aloitamme näyttämällä tietokoneelle monia esimerkkejä ranta kohtauksista. Tietokone muuttaa nämä kuvat erillisiksi ominaisuuksiksi, kuten värijakaumiksi, pintakuvioiksi, reunatiedoiksi tai videotiedoista liiketiedoiksi. Sitten tietokone alkaa oppia erottamaan ranta kohtauksia muista kohtauksista näiden eri ominaisuuksien perusteella. Esimerkiksi se oppisi, että rantapaikalla tietyt värijakaumat löytyvät tyypillisesti keskustan kaupunkikuvaan verrattuna. "
Kuinka älykäs on älykäs?
Hyvä heille. Mutta kasvot kyllä, rannan tunnistaminen on melko perustietoa suurimmalle osalle meistä ihmisistä. Voisimmeko ajatella meitä siitä, kuinka paljon ajattelukoneet pystyvät tekemään meille?
New Yorkin yliopiston psykologian professori Gary Marcus ajattelee niin. Hän kirjoitti äskettäin New Yorkerin verkkosivustolla ja toteaa, että vaikka syväksi oppimiseksi tunnetuksi on saatu paljon edistystä, koneilla on vielä pitkä tie kuljettavanaan, ennen kuin niitä pitäisi pitää todella älykkäinä.
”Realistisesti syvä oppiminen on vain osa älykkäiden koneiden rakentamisen suurempaa haastetta. Tällaisista tekniikoista puuttuu tapoja esittää syy-suhteita (kuten sairauksien ja niiden oireiden välillä), ja todennäköisesti heillä on haasteita hankkia abstrakteja ideoita, kuten ”sisar” tai ”identtinen”. Heillä ei ole selviä tapoja tehdä loogisia päätelmiä, ja he ovat myös vielä kaukana integroituneesta abstraktista tiedosta, kuten tiedoista, mitä esineitä ovat, mihin ne ovat ja kuinka niitä tyypillisesti käytetään. "
IBM: n ihmiset tunnustavat epäilemättä niin paljon. Koneoppiminen tapahtuu vaiheittain, ei hyppyä.
Mutta he uskovat, että viiden vuoden kuluessa syväoppimisella on ryhdytty tarpeeksi eteenpäin, jotta esimerkiksi tietokoneet alkavat olla huomattavasti suurempi rooli lääketieteellisessä diagnoosissa ja että heistä voisi todella tulla parempia kuin lääkärit kasvainten, verihyytymien havaitsemiseksi. tai sairastunut kudos MRI-, röntgen- tai CT-skannauksissa.
Ja se voisi tehdä suuren muutoksen elämässämme.
Näkeminen on uskomista
Tässä on lisää tapoja, joilla konenäkö vaikuttaa elämäämme:
- Paras käsivarsisi eteenpäin: Pittsburghin yliopistossa kehitetty tekniikka käyttää kuvion tunnistusta, jotta paraplegikot voivat hallita robottivartta aivoillaan.
- Suusi sanoo kyllä, mutta aivosi sanovat ei: Stanfordin tutkijat havaitsivat, että kuvontunnistusalgoritmien käyttäminen aivojen magneettikuvaustesteissä voisi auttaa heitä selvittämään, onko joku tosiasiallisesti selkäkipuja vai ovatko ne faking.
- Kun moolisi ovat valmiita lähikuvia varten: Viime vuonna romanialainen StartV-yritys, nimeltään SkinVision, toi markkinoille iPhone-sovelluksen, jonka avulla ihmiset voivat ottaa kuvan myyristä ihollaan ja sitten saada SkinVision-tunnistusohjelmisto tunnistamaan väärinkäytökset ja osoittamaan riskitason - ilman tarjoaa todellisen diagnoosin. Seuraava askel on antaa ihmisille mahdollisuus lähettää kuvia ihostaan suoraan ihotautilääkärilleen.
- Sainko sinulle sopimuksen: Nyt kehitteillä on Facedeals -niminen markkinointitekniikka. Se toimii näin: Kun kaupan sisäänkäynnillä oleva kamera tunnistaa sinut, sinulle lähetetään älypuhelimellasi räätälöityjä myymäläkauppoja. Ja kyllä, sinun on valittava ensin.
- Tiesin sen sinetin missä tahansa: Tietokoneistettu valokuvallinen henkilöllisyysjärjestelmä, joka käyttää kuvontunnistusta, auttaa brittiläisiä tutkijoita jäljittämään harmaita sinettejä, joilla on ainutlaatuiset merkinnät turkissa.
Videobonus: Kun olemme tekemisissä tekoälyn aiheeseen, tässä on robottiparvi, joka pelaa Beethovenia, kohteliaisuuksia Georgian teknillisten tutkijoiden kanssa. Veto, jota et odottanut näkeväsi sitä tänään.
Lisää Smithsonian.com-sivustolta
Inhimillisempi keinotekoinen aivo
Kuinka tekniikka taistelee terrorismia vastaan
