Kompleksitas kecerdasan buatan
Machine

Kompleksitas kecerdasan buatan


Kredit: CC0

Artificial Intelligence, atau AI, membuat kita terlihat lebih baik dalam selfie, dengan patuh memberi tahu cuaca saat kita meminta Alexa, dan meluncurkan mobil self-drive. Ini adalah teknologi yang memungkinkan mesin untuk belajar dari pengalaman dan melakukan tugas seperti manusia.

Secara keseluruhan, AI mengandung banyak subbidang, termasuk pemrosesan bahasa alami, visi komputer, dan pembelajaran mendalam. Sebagian besar waktu, teknologi spesifik yang bekerja adalah pembelajaran mesin, yang berfokus pada pengembangan algoritme yang menganalisis data dan membuat prediksi, dan sangat bergantung pada pengawasan manusia.

Asisten Profesor Sistem Informasi SMU, Sun Qianru, menyamakan pelatihan model AI skala kecil dengan mengajari anak kecil untuk mengenali objek di sekitarnya. “Awalnya seorang anak tidak mengerti banyak hal di sekitarnya. Dia mungkin melihat apel tapi tidak mengenalinya sebagai apel dan dia mungkin bertanya,“ Apakah ini pisang? ”Orang tuanya akan mengoreksinya,“ Tidak, ini bukan pisang. Ini adalah apel. “Umpan balik semacam itu di otaknya kemudian memberi isyarat untuk menyempurnakan pengetahuannya.”

Penelitian Profesor Sun berfokus pada jaringan saraf konvolusional yang dalam, pembelajaran meta, pembelajaran tambahan, pembelajaran semi-supervisi, dan aplikasinya dalam mengenali gambar dan video.

Melatih model AI

Karena kerumitan AI, Profesor Sun mempelajari konsep umum dan tren terkini di bidang ini sebelum menyelami proyek penelitiannya.

Dia menjelaskan bahwa machine learning yang diawasi melibatkan model yang melatih dirinya sendiri pada kumpulan data berlabel. Artinya, data diberi label dengan informasi yang akan ditentukan oleh model yang sedang dibangun, dan yang bahkan dapat diklasifikasikan dengan cara yang seharusnya diklasifikasikan oleh model sebagai data. Misalnya, model visi komputer yang dirancang untuk mengidentifikasi apel mungkin dilatih pada kumpulan data berbagai gambar apel berlabel.

“Berikan data, dan data memiliki label,” jelasnya. “Sebuah gambar dapat berisi apel, dan gambar tersebut melewati model AI yang dalam dan membuat beberapa prediksi. Jika prediksinya benar, maka tidak masalah. Jika tidak, model akan mendapatkan kerugian atau penalti komputasi untuk melakukan propagasi mundur guna memodifikasi parameternya. Jadi modelnya diperbarui. “

Saat ini, model AI tercanggih atau berkinerja terbaik hampir semuanya didasarkan pada model pembelajaran yang mendalam, Profesor Sun mengamati. Dalam pembelajaran mendalam, model tersebut belajar untuk melakukan tugas pengenalan dari gambar, teks, atau suara berdasarkan arsitektur jaringan neural dalam yang berisi banyak lapisan. Jika input berupa gambar, misalnya, asumsinya adalah gambar tersebut dapat dideskripsikan dengan skala spasial atau lapisan fitur yang berbeda.

Profesor Sun mengilustrasikan: “Ambil wajah saya, misalnya. Ciri-ciri yang membedakan saya dari orang lain adalah mata, hidung, mulut saya sebagai ciri lokal, dan bentuk wajah serta warna kulit saya sebagai ciri global. Untuk identifikasi, saya bisa menggunakan fitur-fitur ini untuk mengatakan, “Ini saya. ‘” Untuk model mesin, ia mengkodekan fitur lokal dan global dalam lapisan yang berbeda dan dengan demikian dapat melakukan identifikasi yang sama.

Model AI pelatihan membutuhkan banyak data untuk pengenalan yang akurat. Jika model AI hanya memiliki satu gambar wajah seseorang, itu membuat kesalahan mengenali orang itu karena tidak melihat fitur wajah lain yang membedakan orang itu dari yang lain, katanya. “Penampilan memiliki perbedaan dan AI bergantung pada kumpulan data yang sangat beragam untuk mempelajari semua perbedaan gambar.”

Aplikasi Papan Promosi Kesehatan

Salah satu proyek yang sedang dikerjakan Profesor Sun adalah Food AI ++, sebuah aplikasi untuk Badan Promosi Kesehatan Singapura (HPB). Pengguna dapat menentukan data komposisi makanan hanya dengan mengambil gambar makanan yang mereka makan dengan ponsel mereka. Tujuan dari aplikasi ini adalah untuk membantu pengguna melacak nutrisi makanan yang mereka konsumsi dan menggunakan informasi tersebut untuk mencapai pola makan yang sehat dan seimbang.

Profesor Sun dan timnya mengumpulkan data gambar yang diambil pengguna saat makan dan mengunggahnya ke aplikasi. Pengamatannya adalah bahwa gambar makanan sangat berisik dan beragam, mencerminkan budaya yang berbeda.

“Orang Tionghoa dan Melayu di Singapura, misalnya, memiliki kebiasaan makan, gaya makanan, dan kategori makanan yang berbeda,” jelasnya. “Saat kami melatih model, kami mulai dengan daftar kategori terbatas, tetapi untuk aplikasi makanan kami menemukan bahwa kami harus memperluas kategori sepanjang waktu di Antarmuka Pemrograman Aplikasi, atau API. Kami harus terus memodifikasi dan memperbarui kumpulan data. Keragaman budaya yang kaya di Singapura adalah salah satu tantangan terbesar dalam proyek ini. “

Selain mengumpulkan data yang lebih beragam, tim ini juga mengerjakan algoritme pembelajaran adaptasi domain. Dengan budaya yang berbeda, terdapat domain yang berbeda sehingga mereka harus memikirkan tentang cara cepat menyesuaikan model yang telah dilatih sebelumnya dengan memanfaatkan algoritme pembelajaran yang efektif. Untuk melakukan ini pada gambar makanan, mereka perlu mengembangkan algoritme adaptasi domain khusus makanan. Mereka juga perlu memikirkan tentang memasukkan pengetahuan makanan untuk meningkatkan efisiensi keseluruhan model multi-domain.

“Kami ingin melakukan adaptasi ini dengan menggunakan kumpulan data kecil di domain baru,” kata Profesor Sun. “Ini tugas yang menantang, dan akan menguntungkan pengguna Singapura dari budaya yang berbeda.”

FANN di AME

Profesor Sun saat ini sedang dalam tahap awal dari proyek tiga tahun yang disebut “Jaringan Syaraf Beradaptasi Cepat (FANN) untuk Sistem AI Tingkat Lanjut.” Proyek, yang didanai oleh Agency for Science, Technology and Research (A * STAR) di bawah Hibah Penelitian Perorangan Muda dan Manufaktur Lanjutan (AME YIRG), berfokus pada penglihatan komputer seperti pemrosesan gambar, pengenalan gambar, atau deteksi objek. dalam video. Algoritme visi komputer biasanya mengandalkan jaringan saraf konvolusional, atau CNN yang merupakan bidang keahliannya.

“Hipotesis kunci dari penelitian ini adalah bahwa dimungkinkan untuk membangun tingkat penalaran adaptasi model berdasarkan pembelajaran pengetahuan tingkat statistik,” jelas Profesor Sun. “Dengan memvalidasi hipotesis ini, kami juga mendekati tujuan sistem AI canggih yang melatih model mesin dengan kecerdasan mirip manusia untuk aplikasi di domain AME.”

Penelitian ini bertujuan untuk mencapai ketahanan tinggi dan efisiensi komputasi dalam inspeksi visual otomatis, dan pengetahuan interdisipliner antara manufaktur presisi dan teknik pengenalan gambar tingkat lanjut. Profesor Sun yakin hasil penelitian ini akan sangat meningkatkan tingkat hasil dan mengurangi biaya produksi saat perangkat inspeksi yang disesuaikan dengan cepat dipasang secara luas dalam proses desain, tata letak, fabrikasi, perakitan, dan pengujian jalur produksi.


Pembelajaran mendalam dapat membantu dokter memilih perawatan kanker paru-paru yang lebih baik


Disediakan oleh Singapore Managment University

Kutipan: Kompleksitas kecerdasan buatan (2021, 5 Maret) diambil pada 5 Maret 2021 dari https://techxplore.com/news/2021-03-complexity-artificial-intelligence.html

Dokumen ini memiliki hak cipta. Selain dari transaksi yang adil untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten tersebut disediakan untuk tujuan informasi saja.


Halaman Ini Di Persembahkan Oleh : Result SGP