211service.com
Machines kunnen nu iets herkennen nadat ze het een keer hebben gezien
De meesten van ons kunnen een object herkennen nadat we het een of twee keer hebben gezien. Maar de algoritmen die computervisie en spraakherkenning mogelijk maken, hebben duizenden voorbeelden nodig om vertrouwd te raken met elke nieuwe afbeelding of elk nieuw woord.
Onderzoekers van Google DeepMind hebben hier nu een oplossing voor. Zij een paar slimme aanpassingen gemaakt naar een diepgaand lerend algoritme waarmee het objecten in afbeeldingen en andere dingen uit één enkel voorbeeld kan herkennen - iets dat bekend staat als 'one-shot learning'. Het team demonstreerde de truc op een grote database met getagde afbeeldingen, maar ook op handschrift en taal.
De beste algoritmen kunnen dingen betrouwbaar herkennen, maar hun behoefte aan data maakt het bouwen ervan tijdrovend en duur. Een algoritme dat bijvoorbeeld is getraind om auto's op de weg te spotten, moet vele duizenden voorbeelden binnenkrijgen om betrouwbaar te werken in een auto zonder bestuurder. Het verzamelen van zoveel gegevens is vaak onpraktisch: een robot die bijvoorbeeld door een onbekend huis moet navigeren, kan niet talloze uren ronddolen met leren.
Oriol Vinyals, een onderzoekswetenschapper bij Google DeepMind, een in het Verenigd Koninkrijk gevestigde dochteronderneming van Alphabet die zich richt op kunstmatige intelligentie, heeft een geheugencomponent toegevoegd aan een deep-learningsysteem: een soort groot neuraal netwerk dat is getraind om dingen te herkennen door de gevoeligheid van vele lagen onderling verbonden componenten ruwweg analoog aan de neuronen in een brein. Dergelijke systemen hebben veel beelden nodig om de verbindingen tussen deze virtuele neuronen te verfijnen.
Het team demonstreerde de mogelijkheden van het systeem op een database met gelabelde foto's genaamd ImageNet . De software moet nog honderden categorieën afbeeldingen analyseren, maar daarna kan het nieuwe objecten, bijvoorbeeld een hond, leren herkennen aan slechts één afbeelding. Het leert effectief de kenmerken in afbeeldingen te herkennen die ze uniek maken. Het algoritme was in staat om afbeeldingen van honden te herkennen met een nauwkeurigheid die dicht in de buurt kwam van die van een conventioneel dataverslindend systeem na slechts één voorbeeld te hebben gezien.
Vinylals zegt dat het werk vooral nuttig zou kunnen zijn als het snel de betekenis van een nieuw woord zou herkennen. Dit kan belangrijk zijn voor Google, zegt Vinyals, omdat het een systeem in staat zou kunnen stellen om snel de betekenis van een nieuwe zoekterm te leren.
Anderen hebben one-shot-leersystemen ontwikkeld, maar deze zijn meestal niet compatibel met deep-learningsystemen. Een academisch project vorig jaar gebruikte probabilistische programmeertechnieken om dit soort zeer efficiënt leren mogelijk te maken (zie 'Dit algoritme leert taken zo snel als we doen').
Maar deep-learningsystemen worden steeds capabeler, vooral door de toevoeging van geheugenmechanismen. Een andere groep bij Google DeepMind heeft onlangs een netwerk ontwikkeld met een flexibel soort geheugen, waardoor het in staat is om eenvoudige redeneertaken uit te voeren, bijvoorbeeld leren navigeren in een metrosysteem na analyse van een aantal veel eenvoudigere netwerkdiagrammen (zie 'Wat gebeurt er als je een computer een werkgeheugen?').
'Ik denk dat dit een zeer interessante benadering is, die een nieuwe manier biedt om eenmalig te leren op zulke grootschalige datasets', zegt Song Wan Lee , die het Laboratory for Brain and Machine Intelligence leidt aan het Korean Advanced Institute for Science and Technology in Daejeon, Zuid-Korea. 'Dit is een technische bijdrage aan de AI-gemeenschap, iets wat onderzoekers op het gebied van computervisie ten volle kunnen waarderen.'
Anderen zijn sceptischer over het nut ervan, aangezien het nog steeds verschilt van menselijk leren. Om te beginnen, zegt Sam Gershman , een assistent-professor aan de afdeling voor hersenwetenschappen van Harvard, leren mensen over het algemeen door de componenten te begrijpen waaruit een afbeelding bestaat, waarvoor mogelijk enige kennis uit de echte wereld of gezond verstand vereist is. Bijvoorbeeld: 'een Segway ziet er misschien heel anders uit dan een fiets of motor, maar hij kan wel uit dezelfde onderdelen zijn samengesteld.'
Volgens zowel Gershman als Wan Lee zal het nog wel even duren voordat machines overeenkomen met menselijk leren. 'We zijn nog ver verwijderd van het onthullen van het menselijke geheim van het uitvoeren van eenmalig leren', zegt Wan Lee, 'maar dit voorstel brengt duidelijk nieuwe uitdagingen met zich mee die verder onderzoek verdienen.'