S:
Bazı makine öğrenimi projeleri neden çok sayıda oyuncu gerektirebilir?
A:Makine öğrenimini düşündüğünüzde, bilgisayar odalarındaki klavyelerde çalışan yetenekli veri bilimcilerini düşünme eğilimindesiniz. Nicel analiz ve algoritmalara büyük önem verilmektedir. Bu programların birçoğu için gerçek dünyaya ilişkin çok fazla bağlam yoktur - en azından birçok kişi böyle düşünür.
Bununla birlikte, günümüzün en çığır açan makine öğrenme programlarından bazıları, sokakta, mağazalarda ve yürüme, çalışma veya alışveriş gibi temel insan faaliyetlerini modelleyebilecekleri her yerde insan aktörlerin gerçek ordularını kullanıyor.
| Ücretsiz İndirme: Makine Öğrenmesi ve Neden Önemlidir |
Tom Simonite tarafından yayınlanan kablolu bir makale bunu "AI Daha Akıllı Hale Getirmek İçin, İnsanlar Oddball Düşük Ücretli Görevler Gerçekleştirin" başlıklı başlıkla çok iyi gösteriyor.
Whole Foods bakkalında çekilen kısa videolar örneğini kullanan Simonite, makine öğreniminin bir sonraki aşamasının bazılarının oluşturulmasına yardımcı olacak çalışma türlerini vurgular.
Bu, neden bu insanların tümünün bir kolu veya bacağını hareket ettirmek gibi ilkel eylemleri belgeleyen kısa ve basit videolarda kendilerini çekmeye neden oldukları sorusuna yol açar.
Cevap, makine öğreniminin nerede olduğu ve nereye gittiğine ışık tutuyor.
“Araştırmacılar ve girişimciler yapay zekanın fiziksel dünyada anladığını ve hareket ettiğini görmek istiyor, ” diye yazıyor Simonite, kendisinin ve diğerlerinin neden kameralarla gezindiğini açıklıyor. “Bu yüzden işçilerin süpermarketlerde ve evlerde sahneler yapma ihtiyacı. Dünya ve içindeki insanlar hakkında algoritmalar öğretmek için öğretim materyali üretiyorlar. ”
Birçok uzmanın işaret edeceği gibi, makine öğreniminin en büyük sınırlarından bazıları görüntü işleme ve doğal dil işlemeyi içerir. Bunlar son derece nicel prosedürlerdir - başka bir deyişle, "gerçek" gerçek dünya ortamlarında olduğu gibi geniş bir girdi yelpazesi yoktur. Bunun yerine, makine öğrenim programları görsel ve işitsel verileri çok özel şekillerde modeller oluşturmak için kullanıyor. Görüntü işleme ile, özellikleri (sonlu) bir görüş alanından seçer. NLP için, fonemleri birleştiriyor.
Bu belirli girdi kategorilerinin ötesine geçmek, "görüntü ve konuşma boşluğu" olarak adlandırabileceğiniz bir şey içerir - görüntü işleme ve konuşma tanıma gibi şeylerin ötesine geçerek, bilgisayarların farklı şekillerde analitik olması gereken alanlara geçersiniz. Eğitim setleri temelde farklı olacaktır.
Kameramanların ordusuna girin. Bu yeni makine öğrenme projelerinin bazılarında, insan faaliyetlerinin en küçük fikirleri eğitim setleridir. Bilgisayarlar, sınıflandırma görevlerini oluşturan özellikleri, kenarları ve pikselleri aramak üzere eğitilmek yerine, farklı eylem türlerinin nasıl göründüğünü değerlendirmek için eğitim videoları kullanıyor.
Önemli olan, mühendislerin bu verilerle toplandığında ve yüklendiğinde ve bilgisayar üzerinde eğitildiğinde yapabilecekleridir. Yakında çeşitli alanlarda sonuçları göreceksiniz - örneğin, bu sürveyansı son derece etkili hale getirecektir. Bilgisayarlar görsel alanda insanların neler yaptığını "görebilecek" ve bunu pazarlama ve satış gibi alanlara ya da belki de bazı durumlarda devlet kurumunun çalışması veya ceza adaletine uygulayabilecektir.
Sonuçlar, maksimum fayda ve gizlilik soruları arasındaki tartışmaya da ışık tutuyor. Bu videoların kullanımının çoğu, gözetim için çalışan makine öğrenimi modelleri oluşturacak - ancak gözetim altında kalmak istemeyen insanlar ne olacak? Bu yeni makine öğrenme programları kamusal alanda konuşlandırıldığında, bireyin hakları nelerdir ve bu çizgi nerede çizilir?
Her durumda, şirketler bu tür insan ve video kaynaklarını, bilgisayarların sadece görüntüleri sınıflandırmak veya fonemleri ile çalışmak yerine, etraflarında olup bitenleri tanımasını sağlayacak bir sonraki düzey makine öğrenimi ilerleme turuna gerçekten girmek için kullanıyorlar. konuşma. Bu, yapay zekada son derece ilginç ve tartışmalı bir gelişmedir ve teknik medyada ve ötesinde dikkatini hak eden bir gelişmedir.
