Prepoznavanje uzorka krila leptira. Li ljubaznošću Li Li
Ovdje u Washingtonu čuli smo za ovo što vi zovete „unaprijed planiranje“, ali još nismo spremni prihvatiti ga. Malo previše futuristički.
Ipak, iz daljine ne možemo se diviti onima koji pokušavaju predvidjeti što bi se moglo dogoditi za više od mjesec dana. Tako sam bio impresioniran prije nekoliko tjedana kada su veliki mislioci u IBM-u zamišljali svijet pet godina otuda i identificirali za što vjeruju da će biti pet područja inovacija koja će imati najveći utjecaj na naš svakodnevni život.
To rade već nekoliko godina, ali ovaj put nesretni zvižduci slijedili su temu - pet ljudskih osjetila. Nije da kažu da ćemo do 2018. sve moći vidjeti, čuti i mirisati bolje, već će to učiniti strojevi - da će pomoću brzorazvijenih senzornih i kognitivnih tehnologija računala ubrzati svoju transformaciju iz pretraživanja podataka i obrada motora u alate za razmišljanje.
Vidite obrazac?
Danas se pozabavimo vizijom. Logičan je skok pretpostaviti da se IBM možda odnosi na Googleovo Projektno staklo. Nema sumnje da je redefinirao ulogu naočala, od geeky dodataka koji nam pomažu u boljem kombiniranju pametnog uređaja / uređaja za ronjenje podataka koji ćemo jednog dana nositi na našim licima.
Ali o tome IBM-ovci ne govore. Usredotočeni su na strojni vid, konkretno na prepoznavanje uzoraka, pomoću kojeg kroz opetovano izlaganje slikama računala mogu prepoznati stvari.
Kako se ispostavilo, Google se dogodio da sudjeluje u jednom od prošlogodišnjih zapaženijih pokusa prepoznavanja uzoraka, projektu u kojem je mreža od 1.000 računala koja koriste 16.000 procesora, nakon što je ispitala 10 milijuna slika s YouTube videozapisa, bila u stanju da se nauči čemu mačka je izgledala.
Ono što je ovo posebno dojmilo jest to što su računala to mogla učiniti bez ikakvih ljudskih uputa o tome što tražiti. Sve je učenje obavljeno pomoću strojeva koji su zajedno radili na odlučivanju koja će svojstva mačaka zaslužiti njihovu pažnju i koji su uzorci bitni.
A to je model kako će strojevi učiti vid. Evo kako to objašnjava John Smith, stariji menadžer u IBM-ovom Inteligentnom upravljanju informacijama:
„Recimo da smo htjeli naučiti računalo kako izgleda plaža. Započeli bismo pokazivanjem računara mnogim primjerima scena na plaži. Računalo bi te slike pretvorilo u različite značajke, kao što su raspodjela boja, obrasci teksture, informacije o rubovima ili informacije o kretanju u slučaju videa. Tada bi računalo počelo učiti kako razlikovati scene na plaži od ostalih scena na temelju tih različitih značajki. Primjerice, naučilo bi se da se za scenu na plaži obično nalaze određene raspodjele boja, u usporedbi s gradskim pejzažom u središtu grada. "
Koliko je pametan pametan?
Dobro za njih. Ali suočite se s tim da je prepoznavanje plaže prilično osnovna stvar za većinu nas ljudi. Možemo li se zamarati koliko će razmišljati strojevi moći učiniti za nas?
Gary Marcus, profesor psihologije na Sveučilištu New York, tako misli. Pišući nedavno na web stranici The New Yorker- a, on zaključuje da, iako je postignut veliki napredak u onome što je postalo poznato kao "duboko učenje", strojevi imaju još dug put prije nego što ih se smatra istinski inteligentnim.
„Realno, duboko učenje samo je dio većeg izazova izgradnje inteligentnih strojeva. Takvim tehnikama nedostaju načini prikazivanja uzročno-posljedičnih veza (poput bolesti i njihovih simptoma) i vjerojatno će se suočiti s izazovima u stjecanju apstraktnih ideja poput "sestre" ili "identične". Oni nemaju očigledne načine izvođenja logičkih zaključaka, a oni također su daleko od integriranja apstraktnih saznanja, poput informacija o tome što su predmeti, za šta se stvaraju i kako se obično koriste. "
Ljudi u IBM-u bez sumnje bi toliko priznali. Strojno učenje dolazi u koracima, a ne u skokovima.
Ali vjeruju da će u roku od pet godina duboko učenje poduzeti dovoljno naprednih koraka da će, na primjer, računala početi igrati mnogo veću ulogu u medicinskoj dijagnozi, da bi zapravo mogla postati bolja od liječnika kada su u pitanju otkrivanje tumora, krvnih ugrušaka ili bolesno tkivo u MR-ima, rendgenu ili CT-u.
A to bi moglo značiti veliku promjenu u našem životu.
Vidjeti je vjerovati
Evo nekoliko načina kako strojni vid utječe na naš život:
- Napredujte svoju najbolju ruku: Tehnologija razvijena na Sveučilištu Pittsburgh koristi prepoznavanje uzoraka kako bi paraplegičari mogli kontrolirati robotsku ruku sa svojim mozgom.
- Vaša usta kažu da, ali vaš mozak kaže ne: Istraživači na Stanfordu otkrili su da bi im algoritmi za prepoznavanje uzoraka na MRI skeniranju mozga mogli pomoći da utvrde je li netko stvarno bolovao u donjem dijelu leđa ili ga lažiraju.
- Kad su vaši krtici spremni za krupne planove: Prošle godine rumunjski startup pod nazivom SkinVision pokrenuo je aplikaciju za iPhone koja omogućuje ljudima da slikaju krtice na svojoj koži, a potom softverom za prepoznavanje SkinVision prepoznaju sve nepravilnosti i istaknu razinu rizika - bez nudeći stvarnu dijagnozu. Sljedeći je korak omogućiti ljudima da slike svoje kože izravno pošalju dermatologu.
- Jesam li dogovorio za vas: U tijeku je razvoj marketinške tehnologije koja se zove Facedeals. Radi ovako: Jednom kada vas kamera na ulazu u trgovinu prepozna, na vaš pametni telefon šalju vam se prilagođene ponude u trgovini. I da, prvo biste se morali prijaviti.
- Znao bih to pečat bilo gdje: Kompjuterizirani sustav za identifikaciju fotografija koji koristi prepoznavanje uzorka pomaže britanskim znanstvenicima da pronađu sive pečate koji na kaputima imaju jedinstvene oznake.
Video bonus: Dok smo na temu umjetne inteligencije, evo robota koji igra Beethovena, komplimenti znanstvenika iz Georgia Tech. Kladim se da to danas nisi očekivao.
Više sa Smithsonian.com
Više ljudski umjetni mozak
Kako se tehnologija bori protiv terorizma
