Препознавање узорка крила лептира. Ли Лиид љубазношћу
Овде у Вашингтону смо чули за ово што ви зовете „унапред планирање“, али још увек нисмо спремни да то прихватимо. Мало превише футуристички.
Ипак, не можемо да се дивимо издалека онима који покушавају предвидјети шта би се могло догодити за више од месец дана. Тако сам био импресиониран пре неколико недеља када су велики мислиоци у ИБМ-у замишљали свет пет година отуда и идентификовали оно за што верују да ће бити пет области иновација које ће имати највећи утицај на наш свакодневни живот.
То раде већ неколико година, али овај пут су љуљави звиждуци пратили тему - пет људских чула. Није да кажу да ћемо до 2018. све моћи да боље видимо, чујемо и миришемо, већ да ће машине - да ће помоћу сензора и когнитивних технологија које се брзо развијају, рачунари убрзати њихову трансформацију из претраживања података и обрада мотора у алате за размишљање.
Видите образац?
Данас се позабавимо визијом. Логичан је скок претпоставити да се ИБМ можда односи на Гооглеово Пројектно стакло. Нема сумње да је редефинисао улогу наочара, од гееки додатка који нам помаже да боље видимо комбиновани паметни телефон / уређај за роњење података који ћемо једног дана носити на нашим лицима.
Али о томе ИБМ-овци не говоре. Усредсређени су на машински вид, тачније препознавање образаца, при чему, помоћу опетованог излагања сликама, рачунари могу да идентификују ствари.
Како се испоставило, Гоогле се догодио да учествује у једном од запажених прошлогодишњих експеримената препознавања узорака, пројекту у којем је мрежа од 1.000 рачунара који користе 16.000 процесора, након прегледа 10 милиона слика са ИоуТубе видеа, била у стању да научи шта мачка је изгледала.
Оно што је ово посебно импресивно је то што су рачунари то могли да ураде без икаквих људских упутстава о томе шта да траже. Читаво учење обављено је помоћу машина које су заједно радиле на одлучивању које карактеристике мачака су заслужиле њихову пажњу и који су обрасци важни.
А то је модел како ће машине научити вид. Ево како то објашњава Јохн Смитх, виши менаџер у ИБМ-овом Интелигентном управљању информацијама:
„Рецимо да смо желели да научимо рачунар како изгледа плажа. Започели бисмо показавши рачунару много примера сцена на плажи. Рачунар би претворио те слике у различите карактеристике, као што су дистрибуција боја, текстурни обрасци, информације о ивицама или информације о кретању у случају видео записа. Тада би рачунар почео да учи како разликовати сцене на плажи од осталих сцена на основу ових различитих карактеристика. На пример, научило би се да се за сцену на плажи обично налазе одређене дистрибуције боја, у поређењу с градским пејсажом у центру града. "
Колико је паметан паметан?
Добро за њих. Али суочите се са тим да је идентификација плаже прилично основна ствар за већину нас људи. Да ли бисмо могли да се занесемо колико ће размишљајуће машине моћи да ураде за нас?
Гари Марцус, професор психологије на њујоршком универзитету, то мисли. Пишући недавно на веб локацији Тхе Нев Иоркер, он закључује да, иако је постигнут велики напредак у ономе што је постало познато као "дубоко учење", машине још увек чекају дуг пут пре него што их треба сматрати заиста интелигентним.
„Реално гледано, дубоко учење је само део већег изазова изградње интелигентних машина. Таквим техникама недостају начини приказивања узрочно-посљедичних веза (попут болести и њихових симптома) и вероватно ће се суочити са изазовима у стицању апстрактних идеја попут „сестре“ или „идентичне“. Они немају очигледне начине обављања логичких закључака, и они такође су још далеки пут од интегрисања апстрактних знања, попут информација о томе шта су предмети, за шта се користе и како се обично користе. "
Људи у ИБМ-у без сумње би то признали толико. Машинско учење долази у корацима, а не у скоковима.
Али верују да ће у року од пет година дубоко учење предузети довољно напредних корака да ће рачунари, на пример, почети да играју много већу улогу у медицинској дијагностици, да би заправо могли постати бољи од лекара када је реч о уочавању тумора, крвних угрушака. или оболело ткиво у МРИ, рендгену или ЦТ скенирању.
А то би могло да има велику разлику у нашим животима.
Видети значи веровати
Ево још начина како машински вид утиче на наш живот:
- Постизање најбоље руке према напријед: технологија развијена на Универзитету у Питтсбургху користи препознавање узорака како би параплегичарима омогућили контролу над роботском руком својим мозгом.
- Ваша уста кажу да, али ваш мозак каже не: Истраживачи на Станфорду открили су да би им алгоритам за препознавање узорака на МРИ скенирању мозга могао да помогне да утврде да ли неко заиста болује у доњем делу леђа или га лажира.
- Када су ваши кртици спремни за крупне планове: Прошле године румунски стартуп под називом СкинВисион покренуо је апликацију за иПхоне која омогућава људима да сликају кртице на својој кожи, а затим софтвер за препознавање СкинВисион идентификује све неправилности и истакне ниво ризика - без нудећи стварну дијагнозу. Следећи корак је омогућавање људима да слике своје коже директно пошаљу дерматологу.
- Имам ли договор за вас: Сада је у развоју маркетиншка технологија која се зове Фацедеалс. Делује овако: Једном када вас камера на улазу у трговину препозна, на ваш паметни телефон шаљете прилагођене понуде у продавници. И да, прво бисте се морали пријавити.
- Знам било који печат било где: Компјутеризовани систем за идентификацију фотографија који користи препознавање узорка помаже британским научницима да пронађу сиве печате који на капутима имају јединствене ознаке.
Видео бонус: Док смо на тему вештачке интелигенције, ево робота који игра Беетховена, комплименте научника из Георгиа Тецх. Кладим се да то данас ниси очекивао.
Више са Смитхсониан.цом
Већи људски вештачки мозак
Како се технологија бори против тероризма
