سال 2020 باعث شده است که هر صنعت تصور کند که چگونه می تواند با توجه به COVID-19 حرکت کند: جنبش های حقوق مدنی ، یک سال انتخابات و دیگر لحظه های خبری بیشمار. در سطح انسانی ، ما باید با یک روش جدید زندگی سازگار شویم. ما شروع به پذیرش این تغییرات کرده ایم و می دانیم چگونه می توانیم زندگی خود را تحت این قوانین جدید همه گیر کنیم. در حالی که انسان ها مستقر می شوند ، هوش مصنوعی در تلاش است تا به کار خود ادامه دهد.

مسئله آموزش هوش مصنوعی در سال 2020 این است که ، به طور ناگهانی ، ما هنجارهای اجتماعی و فرهنگی خود را تغییر داده ایم. حقایقی که ما به این الگوریتم ها آموخته ایم ، اغلب دیگر در واقع صحت ندارند. با استفاده از هوش مصنوعی بصری ، ما از آن می خواهیم که فوراً روش جدید زندگی ما را با متن به روز شده ای که هنوز وجود ندارد ، تفسیر کند.

الگوریتم ها هنوز در حال تنظیم در صف های بصری جدید هستند و سعی در درک چگونگی شناسایی دقیق آنها دارند. همزمان با دستیابی به هوش مصنوعی ، ما نیز نیاز به یک اهمیت جدید در به روزرسانی های معمول در فرایند آموزش هوش مصنوعی داریم تا مجموعه داده های آموزشی نادرست و مدلهای منبع باز موجود نتواند اصلاح شود.

مدل های دید رایانه ای در تلاش هستند تا به طور مناسب تصاویر صحنه ها یا موقعیت های جدیدی را که در دوره COVID-19 در آن قرار داریم ، مشخص کنند. دسته بندی ها تغییر کرده اند. به عنوان مثال ، بگویید تصویری از یک پدر که در خانه کار می کند در حالی که پسرش بازی می کند وجود دارد. هوش مصنوعی هنوز هم آن را “اوقات فراغت” یا “استراحت” طبقه بندی می کند. این کار را به عنوان “کار” یا “دفتر” مشخص نمی کند ، با وجود این که کار کردن با بچه های خود در کنار شما واقعیت بسیار متداول بسیاری از خانواده ها در این زمان است.

اعتبار تصویر: Westend61 / گتی ایماژ

در سطح فنی تر ، ما از نظر جسمی تصاویر پیکسل متفاوتی از جهان خود داریم. در Getty Images ، ما در حال آموزش هوش مصنوعی برای “دیدن” هستیم. این بدان معنی است که الگوریتم ها می توانند تصاویر را شناسایی کرده و بر اساس آرایش پیکسلی آن تصویر دسته بندی کنند و تصمیم بگیرند که شامل چه مواردی است. سرعت تغییر در زندگی ما هر روز به این معنی است که ما همچنین آنچه را که دسته یا برچسب (مانند “تمیز کردن”) به کار می رود تغییر می دهیم.

به این روش فکر کنید – تمیز کردن اکنون ممکن است شامل پاک کردن سطحی باشد که از نظر بصری تمیز به نظر می رسد. الگوریتم ها قبلاً آموخته شده بودند که برای به تصویر کشیدن تمیز کردن ، باید آشفتگی وجود داشته باشد. اکنون ، این بسیار متفاوت به نظر می رسد. سیستم های ما باید برای پاسخگویی به این پارامترهای طبقه بندی تعریف شده مجدداً آموزش داده شوند.

این مربوط به مقیاس کوچکتر نیز هست. شخصی می توانست با یک دستمال کوچک دستگیره درب را بگیرد یا فرمان خود را در حالی که در اتومبیل خود نشسته است تمیز کند. آنچه روزگاری جزئی از چیزهای پیش پا افتاده بود اکنون اهمیت دارد که مردم سعی می کنند از امنیت خودداری کنند. ما باید این تفاوت های ظریف کوچک را بدست آوریم ، بنابراین به طور مناسب برچسب گذاری می شود. سپس AI می تواند دنیای ما را در سال 2020 درک کند و خروجی های دقیقی تولید کند.

اعتبار تصویر: Chee Gin Tan / Getty Images

مسئله دیگر در حال حاضر هوش مصنوعی این است که الگوریتم های یادگیری ماشین هنوز در تلاشند تا چگونگی شناسایی و طبقه بندی چهره ها با ماسک را درک کنند. چهره ها فقط نیمی از قسمت بالای صورت یا به صورت دو چهره تشخیص داده می شوند – یکی با ماسک و دومی فقط از چشم. این ناسازگاری ایجاد می کند و استفاده دقیق از مدل های تشخیص چهره را مهار می کند.

یکی از راه های پیش رو ، بازآفرینی الگوریتم ها برای عملکرد بهتر فقط در قسمت بالای صورت (بالای ماسک) است. مشکل ماسک شبیه به چالش های کلاسیک برای تشخیص چهره مانند کسی است که عینک آفتابی دارد یا چهره کسی را که در پروفایل دارد تشخیص داده است. اکنون ماسک ها نیز امری عادی هستند.

اعتبار تصویر: Rodger Shija / EyeEm / گتی ایماژ

آنچه این را به ما نشان می دهد این است که مدل های دید رایانه ای هنوز باید مسیری طولانی را طی کنند تا بتوانند واقعاً در منظر اجتماعی رو به رشد ما را ببینند. راه مقابله با این ، ساختن مجموعه داده های قوی است. سپس ، ما می توانیم مدل های بینایی رایانه را آموزش دهیم تا روش های بیشماری از چهره ها را که ممکن است مانع یا پوشیده شود ، بیان کنیم.

در این مرحله ، ما پارامترهای آنچه را که الگوریتم به عنوان چهره می بیند ، گسترش می دهیم – خواه فردی باشد که در فروشگاه های مواد غذایی ماسک می پوشد ، پرستار پوشیدن ماسک به عنوان بخشی از کار روزانه خود یا شخص تحت پوشش. چهره آنها به دلایل مذهبی

از آنجا که ما محتوای مورد نیاز برای ساخت این مجموعه داده های قوی را ایجاد می کنیم ، باید نسبت به افزایش تعصب غیر عمدی آگاه باشیم. در حالی که همیشه برخی از تعصب در هوش مصنوعی وجود خواهد داشت ، اکنون ما مجموعه های داده عدم تعادل را نشان می دهد که عادی جدید ما را نشان می دهد. به عنوان مثال ، ما شاهد تصاویر بیشتری از افراد سفید پوست نسبت به سایر قومیت ها هستیم که ماسک می پوشند.

این ممکن است نتیجه سفارشات دقیق در خانه بماند که عکاسان دسترسی محدود به اجتماعات غیر از خود را دارند و قادر به تنوع در موضوعات خود نیستند. این ممکن است به دلیل قومیت عکاسانی که تصمیم به تصویربرداری از این موضوع دارند. یا به دلیل میزان تأثیر COVID-19 در مناطق مختلف. صرف نظر از دلیل ، عدم وجود این عدم تعادل منجر به این می شود كه الگوریتم ها بتوانند از سفید و سفید پوشیدن ماسك با دقت بیشتری نسبت به هر نژاد یا قوم دیگری استفاده كنند.

دانشمندان داده و کسانی که با مدل تولید محصول می کنند ، مسئولیت بیشتری برای بررسی صحت مدل ها با توجه به تغییر در هنجارهای اجتماعی دارند. بررسی های معمول و به روزرسانی های داده ها و مدل های آموزش برای اطمینان از کیفیت و استحکام مدل ها – اکنون بیش از هر زمان دیگری – مهم هستند. اگر خروجی ها نادرست باشند ، دانشمندان داده می توانند به سرعت آنها را شناسایی کرده و البته صحیح باشند.

همچنین لازم به ذکر است که روش زندگی فعلی ما در اینجا برای ماندن در آینده ای قابل پیش بینی است. به همین دلیل ، ما باید نسبت به مجموعه داده های منبع باز که برای اهداف آموزشی از آنها استفاده می کنیم ، احتیاط کنیم. مجموعه داده هایی که قابل تغییر هستند ، باید. مدلهای منبع آزاد که قابل تغییر نیستند نیاز به سلب مسئولیت دارند بنابراین مشخص است که چه پروژه هایی ممکن است از داده های آموزش منسوخ تأثیر منفی بگذارد.

شناسایی زمینه جدیدی که از سیستم می خواهیم آن را بفهمد ، اولین قدم برای حرکت به جلو هوش مصنوعی است. سپس به محتوای بیشتری احتیاج داریم. تصاویر بیشتر از دنیای اطراف ما – و دیدگاههای متنوع آن. از آنجا که ما در حال گردآوری این محتوای جدید هستیم ، از تعصبات جدید بالقوه و راه های بازیابی مجموعه داده های منبع باز موجود استفاده کنید. همه ما باید برای ناسازگاری ها و نادرستی ها نظارت داشته باشیم. پایداری و ارادت به آموزش مدلهای دید رایانه این است که چگونه هوش مصنوعی را به سال 2020 وارد خواهیم کرد.




منبع Tech Crunch