محققان فوجیتسو و مرکز MIT برای مغزها، ذهن‌ها و ماشین‌ها (CBMM) به یک "نقطه عطف بزرگ" در تلاش برای تقویت دقت مدل‌های هوش مصنوعی که وظیفه تشخیص تصویر را دارند، دست یافته‌اند.

همانطور که در مقاله جدید ارائه شده در NeurIPS 2021 توضیح داده شد، همکاران روشی برای محاسبه ابداع کرده‌اند که مغز انسان را بازتاب می‌دهد تا هوش مصنوعی را فعال کند که بتواند اطلاعاتی را که در داده‌های آموزشی آن وجود ندارد شناسایی کند.

اگرچه هوش مصنوعی در حال حاضر برای تشخیص تصویر در طیف وسیعی از زمینه ها (به عنوان مثال تجزیه و تحلیل اشعه ایکس پزشکی) استفاده می شود، عملکرد مدل های فعلی به شدت به محیط حساس است. اهمیت هوش مصنوعی که قادر به تشخیص ODD است این است که دقت در شرایط ناقص حفظ می شود - به عنوان مثال، زمانی که پرسپکتیو یا سطح نور با تصاویری که مدل بر روی آنها آموزش داده شده متفاوت است.

در واقع MIT و فوجیتسو با تقسیم شبکه‌های عصبی عمیق (DNN) به ماژول‌هایی به این موفقیت دست یافتند که هر کدام از آنها مسئول تشخیص ویژگی‌های متفاوتی مانند شکل یا رنگ هستند که شبیه به روشی است که مغز انسان اطلاعات بصری را پردازش می‌کند.

با توجه به آزمایش‌های انجام شده بر اساس معیار CLEVR-CoGenT، مدل‌های هوش مصنوعی که از این تکنیک استفاده می‌کنند دقیق‌ترین مدل‌هایی هستند که تا به امروز در تشخیص تصویر دیده شده است.

این دستاورد نقطه عطفی بزرگ برای توسعه آینده فناوری هوش مصنوعی است که می‌تواند ابزار جدیدی را برای مدل‌های آموزشی ارائه دهد که می‌تواند به طور انعطاف‌پذیر به موقعیت‌های مختلف پاسخ دهد و حتی داده‌های ناشناخته‌ای را که به طور قابل‌توجهی با داده‌های آموزشی اصلی متفاوت است، با دقت بالا تشخیص دهد.

زمانی که ارزیابی در شرایط خارج از توزیع صورت می گیرد، شکاف قابل توجهی بین DNN ها و انسان ها وجود دارد که به شدت کاربردهای هوش مصنوعی را به خطر می اندازد، به ویژه از نظر ایمنی و انصاف.

فوجیتسو و CBMM می گویند که تلاش خواهند کرد تا یافته های خود را در تلاش برای توسعه مدل های هوش مصنوعی که قادر به قضاوت های منعطف هستند، با هدف کارکردن آنها در زمینه هایی مانند تولید و مراقبت های پزشکی، اصلاح کنند.

215000921.120