JavaRush /Java Blog /Random-IT /Prepararsi all'ascesa delle macchine: l'intelligenza arti...

Prepararsi all'ascesa delle macchine: l'intelligenza artificiale di Google ha addestrato l'intelligenza artificiale dei bambini e ha ottenuto risultati eccellenti

Pubblicato nel gruppo Random-IT
I futurologi e gli autori di fantascienza ci hanno chiarito che la paura dell'intelligenza artificiale diventerà giustificata quando potrà crearne una propria senza l'intervento umano. E sembra che questo giorno sia arrivato.
Prepararsi all'ascesa delle macchine: l'intelligenza artificiale di Google ha addestrato l'intelligenza artificiale dei bambini e ha ottenuto risultati eccellenti - 1
Recentemente, gli ingegneri di Google Brain hanno introdotto AutoML , un progetto che, essendo esso stesso intelligenza artificiale, è in grado di progettare IA infantili generando piccole reti neurali simili a quelle create dagli esseri umani. L'esperimento ha dimostrato che AutoML affronta questo problema molto bene. Pertanto, il "robot" ha progettato il sistema di visione artificiale NASNet, che è superiore a tutti gli analoghi esistenti. L'intelligenza artificiale ha completato il compito di classificazione degli oggetti utilizzando l'ampio set di dati di visione artificiale di ImageNET . NASNet ha dovuto affrontare il compito di riconoscere gli oggetti nei video in tempo reale nel modo più accurato possibile. Come si è scoperto, AutoML ha addestrato in modo indipendente la rete neurale del bambino, ripetendo il processo di addestramento molte migliaia di volte. L'intelligenza artificiale di AutoML ha identificato errori nel funzionamento di NASNet, li ha elaborati e ha apportato modifiche per evitarli in futuro.
Prepararsi all'avvento delle macchine: l'intelligenza artificiale di Google ha addestrato l'intelligenza artificiale dei bambini e ha ottenuto risultati eccellenti - 2
Quando gli ingegneri hanno testato NASNet su set di immagini ImageNet e COCO , ha sovraperformato tutti i sistemi di visione artificiale esistenti. La precisione della previsione dell'immagine nel set di controllo è stata dell'82,7%, ovvero dell'1,2% in più rispetto al precedente indicatore della famiglia Inception. Inoltre, la rete neurale si è rivelata più efficace del 4% rispetto ai suoi analoghi con una precisione media del 43,1% e della versione adattata per piattaforme mobili con il 74%. L’efficienza del sistema figlia potrebbe essere utilizzata nelle auto autonome o nella creazione di robot per persone non vedenti. NASNet è open source e può essere trovato nei repository Slim e Object Detection per TensorFlow.
Commenti
TO VIEW ALL COMMENTS OR TO MAKE A COMMENT,
GO TO FULL VERSION