В новой модели ИИ применили концепцию обучения детей

Ученые из университета в штате Пенсильвания рассказали о том, как применение нового метода обучения ИИ с использованием идей психологии развития и обучения детей может повысить точность результатов на почти 15%. Авторы исследования — Брэд Уайбл, профессор психологии, Джеймс З. Ван, профессор информационных наук и технологий, а также Вонсук Ли и Лижен Чжу, указывают, что современное машинное обучение искусственного интеллекта требует большого объема данных для достижения высокой точности. Об этом пишет psychologytoday.com. Разница в применении зрительных образов у человека и машины Специалисты отмечают, что недостаточно просто обучать компьютер на больших объемах данных для успешного обучения машинного зрения. Сегодняшние системы компьютерного зрения не могут соперничать с детьми в способности обобщения информации о визуальном мире. Дети естественным образом обобщают знания, что делает их более эффективными в этом процессе, чем даже самые сложные алгоритмы искусственного интеллекта. Например, ребенок может без предварительного обучения распознать кошку и других кошачьих по общим признакам. Исследователи подчеркивают, что дети к двум годам совершают миллионы визуальных фиксаций, что значительно меньше объема данных, необходимых для обучения искусственного интеллекта. Визуальные фиксации детей включают в себя лица, предметы и их окружение. В чем заключался эксперимент и какие он показал результаты Ученые задались вопросом: возможно ли, что обучение искусственного интеллекта, имитирующее процесс обучения ребенка, приведет к созданию более эффективных алгоритмов? Они предположили, что включение контекста окружающей среды в обучение машинного зрения позволит алгоритмам быть более гибкими и точными. Используя данные из психологии развития, ученые создали новый метод обучения под названием «Пространственное сходство окружающей среды» (ESS). Они разработали симуляцию перемещения агента в виртуальном доме с помощью современной технологии трассировки лучей для создания реалистичных условий. По оценкам исследователей, новый подход ESS превзошел базовые модели на 15% по различным задачам. Например, точность идентификации комнаты в виртуальной квартире составила 99,35%. Ученые утверждают, что их метод может быть полезен в различных областях: нейробиологии, помощи при стихийных бедствиях, робототехнике, а в будущем — и в исследовании космоса.