بروزرسانی: 23 تیر 1404
چگونه مدل های شبکه عمیق از میانبرهای بالقوه خطرناک در حل وظایف تشخیص پیچیده استفاده می کنند -- ScienceDaily
الدر می گوید: «نتایج ما توضیح می دهد که چرا مدل های هوش مصنوعی عمیق تحت شرایط خاص شکست می خورند و به نیاز به در نظر گرفتن وظایف فراتر از تشخیص اشیا برای درک پردازش بصری در مغز اشاره می کنند. این مدل های عمیق معمولاً هنگام حل وظایف شناسایی پیچیده، «میان بر» می گیرند. در حالی که این میان برها ممکن است در بسیاری از موارد کار کنند، می توانند در برخی از برنامه های هوش مصنوعی دنیای واقعی که در حال حاضر با صنعت و شرکای دولتی خود روی آن کار می کنیم، خطرناک باشند. "الدر اشاره می کند.
یکی از این کاربردها، سیستم های ایمنی ویدئویی ترافیکی است: الدر توضیح می دهد: «اشیاء در صحنه های ترافیکی شلوغ - وسایل نقلیه، دوچرخه ها و عابران پیاده - مانع یکدیگر می شوند و به عنوان مجموعه ای از قطعات جدا شده به چشم راننده می رسند». مغز باید آن قطعات را به درستی گروه بندی کند تا دسته ها و مکان های صحیح اشیاء را شناسایی کند. یک سیستم هوش مصنوعی برای نظارت بر ایمنی ترافیک که فقط قادر به درک تکه ها به صورت جداگانه باشد، در این کار شکست می خورد و احتمالاً خطرات را برای کاربران آسیب پذیر جاده درک نمی کند. "
منبع
منتشر شده در مجله Cell Press آی ساینسمدل های یادگیری عمیق نمی توانند ماهیت پیکربندی ادراک شکل انسان را به تصویر بکشند، یک مطالعه مشترک توسط الدر است که دارای کرسی تحقیقاتی یورک در بینایی انسان و کامپیوتر است و مدیر مشترک مرکز هوش مصنوعی و جامعه یورک و استادیار روان شناسی پروفسور نیکلاس است. بیکر در کالج لویولا در شیکاگو، عضو سابق فوق دکترای VISTA در یورک.
به گفته محققان، اصلاحات در آموزش و معماری با هدف شبیه تر کردن شبکه ها به مغز منجر به پردازش پیکربندی نشده است و هیچ یک از شبکه ها قادر به پیش بینی دقیق قضاوت های آزمایشی در مورد شی انسان نیستند. الدر خاطرنشان می کند: «ما حدس می زنیم که برای مطابقت با حساسیت پیکربندی انسان، شبکه ها باید برای حل طیف وسیع تری از وظایف اشیاء فراتر از تشخیص دسته آموزش داده شوند.