(Artur Debat/Getty Images) Künstliche Intelligenz (KI) erweist sich bei bestimmten Aufgaben als sehr geschickt – wie z menschliche Gesichter erfinden die es eigentlich gar nicht gibt, bzw Pokerspiele gewinnen – aber diese Netzwerke haben immer noch Schwierigkeiten, wenn es um etwas geht, was Menschen von Natur aus tun: sich etwas vorstellen.
Sobald Menschen wissen, was eine Katze ist, können wir uns leicht eine Katze mit einer anderen Farbe, eine Katze in einer anderen Pose oder eine Katze in einer anderen Umgebung vorstellen. Für KI-Netzwerke ist das viel schwieriger, auch wenn sie eine Katze erkennen können, wenn sie sie sehen (mit ausreichend Training).
Um zu versuchen, die Vorstellungskraft der KI freizusetzen, haben Forscher eine neue Methode zur Aktivierung entwickelt künstliche Intelligenz Systeme, um herauszufinden, wie ein Objekt aussehen sollte, auch wenn sie noch nie zuvor ein solches Objekt gesehen haben.
„Wir ließen uns von den Fähigkeiten des Menschen zur visuellen Verallgemeinerung inspirieren und versuchten, die menschliche Vorstellungskraft in Maschinen zu simulieren.“ sagt der Informatiker Yunhao Ge von der University of Southern California (USC).
„Menschen können ihr erlerntes Wissen nach Attributen trennen – zum Beispiel Form, Pose, Position, Farbe – und sie dann neu kombinieren, um sich ein neues Objekt vorzustellen.“ Unser Artikel versucht, diesen Prozess mithilfe neuronaler Netze zu simulieren.
Der Schlüssel liegt in der Extrapolation – die Möglichkeit, eine große Datenbank an Trainingsdaten (z. B. Bilder eines Autos) zu nutzen, um dann über das Gesehene hinaus in das Unsichtbare zu gelangen. Dies ist für die KI schwierig, da sie normalerweise darauf trainiert ist, bestimmte Muster und nicht umfassendere Attribute zu erkennen.
Was das Team hier entwickelt hat, nennt sich kontrollierbares, entwirrtes Repräsentationslernen und verwendet einen ähnlichen Ansatz wie früher Deepfakes erstellen – Entwirren verschiedener Teile einer Probe (also Trennung von Gesichtsbewegung und Gesichtsidentität im Fall eines Deepfake-Videos).
Das bedeutet: Wenn eine KI ein rotes Auto und ein blaues Fahrrad sieht, kann sie sich ein rotes Fahrrad „vorstellen“ – auch wenn sie noch nie zuvor eines gesehen hat. Die Forscher haben dies in einem Rahmen zusammengefasst, den sie Group Supervised Learning nennen.
Extrapolation neuer Daten aus Trainingsdaten. (Itti et al., 2021)
Eine der wichtigsten Neuerungen dieser Technik besteht darin, Proben in Gruppen statt einzeln zu verarbeiten und dabei semantische Verbindungen zwischen ihnen aufzubauen. Die KI ist dann in der Lage, Ähnlichkeiten und Unterschiede in den Mustern zu erkennen, die sie sieht, und dieses Wissen zu nutzen, um etwas völlig Neues zu produzieren.
„Dieser neue Entflechtungsansatz setzt erstmals wirklich ein neues Gefühl der Vorstellungskraft in KI-Systemen frei und bringt sie dem menschlichen Verständnis der Welt näher.“ sagt USC-Informatiker Laurent Itti .
Diese Ideen sind es nicht völlig neu , aber hier haben die Forscher die Konzepte weiterentwickelt und den Ansatz flexibler und mit zusätzlichen Datentypen kompatibel gemacht. Sie haben das Framework auch als Open Source bereitgestellt, damit andere Wissenschaftler es leichter nutzen können.
In Zukunft könnte das hier entwickelte System vor KI-Voreingenommenheit schützen, indem es sensiblere Attribute aus der Gleichung entfernt – und beispielsweise dazu beiträgt, neuronale Netze zu schaffen, die nicht rassistisch oder sexistisch sind.
Der gleiche Ansatz könnte auch in den Bereichen Medizin und selbstfahrende Autos angewendet werden, sagen die Forscher, wobei KI in der Lage wäre, sich neue Medikamente „vorzustellen“ oder neue Straßenszenarien zu visualisieren, für die sie in der Vergangenheit nicht speziell trainiert wurde.
„Deep Learning hat in vielen Bereichen bereits eine unübertroffene Leistung und Erfolgsaussichten bewiesen, aber allzu oft geschah dies durch oberflächliche Nachahmung und ohne ein tieferes Verständnis der einzelnen Attribute, die jedes Objekt einzigartig machen.“ sagt Itti .
Die Forschung wurde auf der 2021 vorgestellt Internationale Konferenz über Lernrepräsentationen und kann gelesen werden Hier .