211service.com
Der nächste große Schritt für KI? Videos verstehen
Ein Screenshot von einem der Videos im Moments-in-Time-Datensatz, der der KI helfen könnte, Videoinhalte besser zu verstehen. Momente im Zeitdatensatz
Für einen Computer ist es ziemlich clever, eine Katze oder eine Ente in einem Standbild zu erkennen. Aber ein härterer Test für künstliche Intelligenz wird sein, wenn die Katze einen Roomba reitet und versteht die Ente durch eine Küche jagen .
MIT und IBM veröffentlichten diese Woche einen riesigen Datensatz von Videoclips, die sorgfältig mit Details der durchgeführten Aktion kommentiert wurden. Der Momente im Zeitdatensatz enthält dreisekündige Ausschnitte von allem, vom Angeln bis zum Breakdance.
Viele Dinge auf der Welt ändern sich von einer Sekunde auf die andere, sagt er Aude Oliva , ein leitender Forschungswissenschaftler am MIT und einer der Personen hinter dem Projekt. Wenn Sie verstehen möchten, warum etwas passiert, erhalten Sie durch Bewegung viele Informationen, die Sie nicht in einem einzigen Bild festhalten können.
Der derzeitige Boom der künstlichen Intelligenz wurde zum Teil durch den Erfolg ausgelöst, Computern beizubringen, den Inhalt statischer Bilder zu erkennen, indem tiefe neuronale Netze auf große beschriftete Datensätze trainiert wurden (siehe The Revolutionary Technique That Quietly Changed Machine Vision Forever ).
KI-Systeme, die heute Videos interpretieren, einschließlich der Systeme, die in einigen selbstfahrenden Autos zu finden sind, verlassen sich oft auf die Identifizierung von Objekten in statischen Frames, anstatt Aktionen zu interpretieren. Am Montag hat Google ein Tool eingeführt, das Objekte in Videos als Teil seiner Cloud-Plattform erkennen kann, einem Dienst, der bereits KI-Tools zur Verarbeitung von Bild, Audio und Text enthält.
Die nächste Herausforderung könnte darin bestehen, Maschinen beizubringen, nicht nur zu verstehen, was ein Video enthält, sondern auch, was im Filmmaterial passiert. Das könnte einige praktische Vorteile haben und möglicherweise zu leistungsstarken neuen Wegen zum Suchen, Kommentieren und Durchsuchen von Videomaterial führen. Es soll auch Robotern oder selbstfahrenden Autos ein besseres Verständnis dafür vermitteln, wie sich die Welt um sie herum entwickelt.
Das MIT-IBM-Projekt ist in der Tat nur einer von mehreren Videodatensätzen, die entwickelt wurden, um Fortschritte bei der Schulung von Maschinen zum Verständnis von Handlungen in der physischen Welt voranzutreiben. Letztes Jahr veröffentlichte Google beispielsweise eine Reihe von acht Millionen markierte YouTube-Videos genannt YouTube-8M. Facebook entwickelt einen kommentierten Datensatz von Videoaktionen, der Szenen-, Aktions- und Objektsatz genannt wird.
Olga Russakovsky, Assistenzprofessorin an der Princeton University, die sich auf Computer Vision spezialisiert hat, sagt, dass es sich als schwierig erwiesen hat, nützliche Videodatensätze zu entwickeln, weil sie mehr Speicherplatz und Rechenleistung benötigen als Standbilder. Ich freue mich darauf, mit diesen neuen Daten zu spielen, sagt sie. Ich finde die Länge von drei Sekunden großartig – sie bietet zeitlichen Kontext und hält gleichzeitig die Speicher- und Rechenanforderungen gering.
Andere gehen kreativer vor. Zwanzig Milliarden Neuronen , ein Startup mit Sitz in Toronto und Berlin, erstellte einen benutzerdefinierten Datensatz, indem es Crowdsourcing-Mitarbeiter bezahlte, um einfache Aufgaben auszuführen. Einer der Mitbegründer des Unternehmens, Roland Memisevic , sagt, dass es auch ein neuronales Netzwerk verwendet, das speziell für die Verarbeitung zeitlicher Sichtinformationen entwickelt wurde.
Netzwerke, die mit den anderen Datensätzen trainiert wurden, können Ihnen sagen, ob das Video ein Fußballspiel oder eine Party zeigt, sagt er. Unsere Netzwerke können Ihnen sagen, ob gerade jemand den Raum betreten hat.
Danny Gutfreund, ein Forscher bei IBM, der an dem Projekt mitgearbeitet hat, sagt, dass das effektive Erkennen von Aktionen erfordern wird, dass Maschinen beispielsweise etwas über eine Person lernen, die eine Aktion ausführt, und dieses Wissen auf einen Fall übertragen, in dem beispielsweise ein Tier dieselbe Aktion ausführt. Fortschritte in diesem als Transferlernen bezeichneten Bereich werden für die Zukunft der KI wichtig sein. Mal sehen, wie Maschinen dieses Transferlernen machen können, diese Analogie, die wir sehr gut machen, sagt er.
Gutfreund fügt hinzu, dass die Technologie praktische Anwendungen haben könnte. Sie könnten es für die Altenpflege verwenden und feststellen, ob jemand gestürzt ist oder ob er seine Medizin genommen hat, sagt er. Sie können an Geräte denken, die blinden Menschen helfen.