Искусственный интеллект от Google построил ИИ, который превосходит любой, сделанный человеком

Проект AutoML, разработанный для создания других ИИ, разработал систему компьютерного зрения, которая значительно превосходит современные аналоги. Проект может улучшить «зрение» автономных транспортных средств и роботов следующего поколения.

Исследователи Google автоматизировали разработку моделей машинного обучения с использованием подхода, называемого подкреплением. AutoML действует как нейронная сеть, которая разрабатывает дочернюю сеть ИИ для конкретной задачи. Для этого конкретного ИИ, который исследователи назвали NASNet, задача заключалась в распознавании объектов - людей, автомобилей, светофоров, сумок, рюкзаков и т. д. - в видео в режиме реального времени.

AutoML проанализировал производительность NASNet и использовал эту информацию для улучшения своего дочернего ИИ. При тестировании на основе классификации изображений ImageNet и наборов данных обнаружения объектов COCO, NASNet превзошла все другие системы компьютерного зрения. По словам исследователей, NASNet на 82,7% точнее прогнозирует изображения в наборе валидации ImageNet.

Машинное обучение — это то, что дает многим системам ИИ способность выполнять определенные задачи. Хотя концепция, стоящая за ней, довольно проста — алгоритм учится, получив огромное количество данных, но для этого требуется большое количество времени и усилий. Автоматизируя процесс создания точных и эффективных систем ИИ, искусственный интеллект который может создавать дочерние системы, берет на себя основную тяжесть этой работы. В конечном итоге это означает, что AutoML может открыть область машинного обучения и AI для неспециалистов.

Что касается NASNet, то точные, эффективные алгоритмы компьютерного зрения пользуются высокой популярностью, благодаря количеству потенциальных возможностей применения. Они могут быть использованы для создания сложных роботов, работающих на AI, или для того, чтобы помочь людям со слабым зрением, как предложил один из исследователей. Они также могут помочь улучшить системы автономного транспорта. Чем быстрее беспилотный автомобиль сможет распознавать объекты на своем пути, тем быстрее он будет реагировать на них, тем самым повышая безопасность таких транспортных средств.

Несмотря на многочисленны возможности NASNet и AutoML, эти решение вызывают множество вопросов. Например, что мешает «родителю» передавать нежелательные предубеждения своему «ребенку»? Что делать, если AutoML создает системы так быстро, что общество не может идти в ногу со временем? Несложно понять, как NASNet можно будет использовать в автоматизированных системах наблюдения в ближайшем будущем, возможно, даже раньше, чем можно было бы установить правила для контроля над такими системами.