Q:
Kodėl kai kuriems mašinų mokymosi projektams gali prireikti daugybės dalyvių?
A:Galvodami apie mašinų mokymąsi, jūs linkę galvoti apie kvalifikuotus duomenų mokslininkus, dirbančius kompiuterių kambarių klaviatūrose. Ypatingas dėmesys skiriamas kiekybinei analizei ir algoritmams. Daugeliui šių programų nėra labai daug tiesioginio realaus pasaulio konteksto - bent jau taip manytų daugelis.
Tačiau kai kuriose šiuolaikiškiausiose pažangių mašinų mokymosi programose pasitelkiamos tikros žmonių veikėjų armijos gatvėje, parduotuvėse ir visur, kur jie gali modeliuoti pagrindinę žmogaus veiklą, pavyzdžiui, vaikščiojimą, darbą ar apsipirkimą.
| Nemokamas atsisiuntimas: mašinų mokymasis ir kodėl tai svarbu |
Tomo Simonito laidinis straipsnis tai labai gerai iliustruoja tinkamu pavadinimu „Kad AI būtų protingesni, žmonės vykdo„ Oddball “mažai apmokamas užduotis“.
Remdamasi trumpų vaizdo įrašų, padarytų „Whole Foods“ maisto prekių parduotuvėje, pavyzdžiu, „Simonite“ pabrėžia darbo rūšis, kurios padės sukurti kitą mašinų mokymosi etapą.
Todėl kyla klausimas, kodėl visi šie žmonės patys filmuojasi trumpuose ir paprastuose vaizdo įrašuose, kuriuose dokumentai yra tokie grubūs kaip rankos ar kojos judėjimas.
Atsakymas parodo, kur yra mašininis mokymasis ir kur jis vyksta.
„Tyrėjai ir verslininkai nori, kad PG suprastų ir veiktų fiziniame pasaulyje“, - rašo Simonitė ir paaiškina, kodėl jis ir kiti sukasi fotoaparatais. „Todėl darbuotojams reikia parodyti sceną prekybos centruose ir namuose. Jie kuria mokomąją medžiagą, skirtą algoritmams apie pasaulį ir jame esančius žmones mokyti. “
Kaip pastebės daugelis ekspertų, kai kurios didžiausios mašininio mokymosi ribos yra vaizdų apdorojimas ir natūralios kalbos apdorojimas. Tai yra nepaprastai kiekybinės procedūros, kitaip tariant, nėra tokio plataus įvesties spektro, kaip „realiai veikiančioje“ realaus pasaulio aplinkoje. Vietoj to, mašinų mokymosi programos modeliams kurti naudoja labai specifinius vaizdinius ir garso duomenis. Vaizdo apdorojimas leidžia išsirinkti ypatybes iš (baigtinio) regėjimo lauko. NLP - tai fonemų surinkimas.
Jei peržengsite šias specifines įvesties kategorijas, turėsite tai, ką galėtumėte pavadinti „vaizdo ir kalbos atotrūkiu“ - peržengdami įvairius dalykus, tokius kaip vaizdo apdorojimas ir kalbos atpažinimas, pereinate į sritis, kuriose kompiuteriai turi skirtingai analizuoti. Treniruočių komplektai bus iš esmės skirtingi.
Įeikite į videografų armiją. Kai kuriuose iš šių naujų mašininio mokymosi projektų mažiausios žmogaus veiklos idėjos yra mokymo rinkiniai. Užuot mokę ieškoti funkcijų, briaunų ir taškų, kuriuos sudaro klasifikavimo užduotys, kompiuteriai naudoja mokymo vaizdo įrašus, kad galėtų įvertinti, kaip atrodo skirtingi veiksmai.
Svarbiausia, ką inžinieriai gali padaryti su šiais duomenimis, kai jie yra kaupiami ir įkeliami, ir kai kompiuteris yra mokomas. Netrukus pamatysite rezultatus įvairiose srityse - pavyzdžiui, tai stebėjimą padarys ypač veiksmingą. Kompiuteriai galės „pamatyti“ vaizdiniame lauke tai, ką žmonės daro, ir pritaikyti tai tokiose srityse kaip rinkodara ir pardavimas, o kai kuriais atvejais - vyriausybinių agentūrų darbas ar baudžiamoji justicija.
Pabaigos taip pat šiek tiek paaiškina diskusijas tarp didžiausios naudos ir privatumo klausimų. Dauguma šių vaizdo įrašų padės sukurti mašinų mokymosi modelius, kurie bus naudojami stebėjimui, bet kaip su žmonėmis, kurie nenori būti apklausti? Kokios yra žmogaus teisės ir kur ta linija, kai šios naujos mašininio mokymosi programos yra diegiamos viešojoje erdvėje?
Bet kokiu atveju įmonės naudojasi tokiais žmogiškaisiais ir vaizdo ištekliais, kad iš tikrųjų įsigilintų į kai kuriuos kito lygio mašininio mokymosi etapus, kurie iš tikrųjų leis kompiuteriams atpažinti tai, kas vyksta aplink juos, o ne tik klasifikuoti vaizdus ar dirbti su fonemomis. kalba. Tai nepaprastai įdomus ir prieštaringai vertinamas dirbtinio intelekto vystymasis, kuriam nusipelno savo dėmesio tech žiniasklaidoje ir už jos ribų.
