Jak sztuczna inteligencja od Google próbuje odgadnąć, co jest na zdjęciach

Google opublikowało zdjęcia, aby wyjaśnić w jaki sposób system komputerowy próbuje dopasować zdjęcie do znanych sobie obiektów i zrozumieć co się na nim znajduje. Przy okazji pokazali co się dzieje w "głowie" komputera, kiedy coś pójdzie nie tak.

Współczesne systemy rozpoznawania obrazu i dźwięku działają zaskakująco dobrze, ale jeszcze daleko im do ideału. Problem z poprawianiem systemu polega na tym, że sami twórcy w dużym stopniu nie wiedzą jak dokładnie system działa i pokazując mu zdjęcia i oglądając otrzymany wynik starają się sami go poznać.


Inżynierowie uczą sztuczną inteligencję, pokazując jej miliony zdjęć ćwiczebnych i stopniowo modyfikując parametry tak, aby uzyskać pożądany wynik. Cały proces i sposób pracy nazwano Incepcjonizmem.

Sieć neuronowa składa się zwykle z 10-30 warstw. Obraz wejściowy przekazywany jest pierwszej warstwie, ta go obrabia i przekazuje do kolejnej warstwy, aż ostatecznie otrzymujemy obraz wyjściowy. W ten sposób w kolejnych krokach maszyna tworzy wyobrażenie tego co jej się wydaje, że widzi.


W czasie jednego z ćwiczeń inżynierowie poprosili system, aby pokazał obraz hantla do ćwiczeń. Wynikiem były hantle z ludzkimi ramionami. Czyli dla sztucznej inteligencji hantel jest na stałe związany z ludzką ręka i nie istnieje bez niej. Komputer nie potrafił logicznie oddzielić samego hantla, ponieważ albo nigdy nie widział zdjęcia samego hantla, albo było ich zbyt mało.

To pokazuje problemy związane z nauką komputera. Naukowcy po prostu pokazują komputerowi miliony różnych zdjęć przedstawiających wybrany obiekt i AI sama musi zrozumieć co na nich widzi, co jest wspólnym elementem i jak wygląda przedmiot, którego właśnie się uczy. Komputer musi nauczyć się wyciągać esencję wyglądu przedmiotu i odrzucać zbędne detale. Na przykład widelec jest podłużny, ma rączkę i 2-4 zęby, ale może być przeróżnych rozmiarów, kształtów i kolorów.


Zadaniem naukowców jest odpowiednie dostrojenie spojrzenia na szczegóły i na ogólny wygląd obrazu, aby komputer rozpoznawał widziane przedmioty, ale jednocześnie nie doszukiwał się ich tam, gdzie ich nie ma. Ponieważ na wstępnym etapie treningu skupiono się na nauce kształtów zwierząt, teraz system wszędzie się ich doszukuje.

System już jest wdrożony do usługi image search, ale nadal jest rozwijany i sami inżynierowie przyznają, że przed nimi jeszcze długa droga do ideału.