Forskare från Fujitsu och MIT Center for Brains, Minds and Machines (CBMM) har tagit ett "stort steg" i strävan att förbättra noggrannheten hos AI-modeller som ansvarar för bildigenkänning.
Som beskrivs i ett nytt dokument som presenterades på NeurIPS XNUMX, utvecklade samarbetspartnerna en beräkningsprocess som speglar den mänskliga hjärnan för att tillåta AI att känna igen information som inte finns i dess träningsdata (även känd som färdig att använda datadistribution). , eller ODD).
Även om AI redan används för bildigenkänning i flera sammanhang (till exempel medicinsk röntgenanalys), är prestandan hos nuvarande modeller mycket känslig för miljön. Vikten av AI som kan känna igen ODD är att noggrannheten bibehålls under ofullkomliga förhållanden, till exempel när perspektivet eller ljusnivån skiljer sig från bilderna som modellen tränades på.
Förbättra AI-noggrannheten
MIT och Fujitsu uppnådde denna bedrift genom att dela upp djupa neurala nätverk (DNN) i moduler, som var och en ansvarar för att känna igen ett annat attribut, såsom form eller färg, som liknar hur den mänskliga hjärnan bearbetar information.
Enligt tester utförda med CLEVR-CoGenT benchmark är AI-modeller som använder denna teknik de mest exakta som någonsin setts när det gäller bildigenkänning.
"Denna prestation markerar en viktig milstolpe för den framtida utvecklingen av artificiell intelligensteknologi som skulle kunna tillhandahålla ett nytt verktyg för träningsmodeller som kan reagera flexibelt på olika situationer och till och med känna igen okända data som avsevärt skiljer sig från träningsdata. Original med stor precision, och vi ser fram emot de spännande möjligheter som den verkliga världen erbjuder”, säger Dr Seishi Okamoto, medlem i Fujitsu.
Dr. Tomaso Poggio, professor vid MIT:s avdelning för hjärn- och kognitionsvetenskap, säger att beräkningsprinciper inspirerade av neurovetenskap också har potential att övervinna problem som databasavbrott.
"Det finns en betydande klyfta mellan DNN och människor när de bedöms under icke-distributionsförhållanden, vilket allvarligt äventyrar AI-tillämpningar, särskilt när det gäller säkerhet och rättvisa. De resultat som hittills uppnåtts i det här forskningsprogrammet är ett bra steg, säger han.
I framtiden säger Fujitsu och CBMM att de kommer att försöka förfina sina resultat ytterligare med målet att utveckla artificiell intelligensmodeller som kan producera flexibla bedömningar, med syftet att införliva dem i områden som tillverkning och sjukvård.