O calcanhar de Aquiles da AI Computer Vision

O problema de ligação da IA ​​e da neurociência.

Fonte: pixabay

Você andaria em um veículo autônomo se soubesse que estava sujeito a problemas visuais? Que tal se submeter ao tratamento do câncer com base em uma interpretação computadorizada de imagens radiológicas, como radiografia, ultrassonografia, tomografia computadorizada, PET ou ressonância magnética, sabendo que a visão computacional poderia ser facilmente enganada? A visão computacional tem um problema – só são necessárias pequenas mudanças na entrada de dados para enganar os algoritmos de aprendizado de máquina para “ver” as coisas erradas.

Avanços recentes na visão computacional se devem em grande parte às melhores capacidades de reconhecimento de padrões por meio da aprendizagem profunda, um tipo de aprendizado baseado em máquina. O aprendizado de máquina é um subconjunto de inteligência artificial em que um computador é capaz de aprender conceitos a partir do processamento de dados de entrada ou através de aprendizado supervisionado, onde os dados de treinamento são rotulados ou não como aprendizado não supervisionado ou uma combinação sem programação explícita. A profundidade da aprendizagem profunda refere-se ao número de camadas de processamento neural artificial em sua rede neural.

• Biologia, Tecnologia e o Futuro Pós-Humano
• Space 2.0: Stanford usando AI para democratizar o espaço
• “Não é necessariamente assim”
• “Meu cão Shara realmente faz amigos com outros animais?”
• AI2 cria o primeiro AI do mundo para jogar um jogo parecido com um pictionary

Uma equipe de pesquisadores de Inteligência Artificial (IA) com Kevin Eykholt, Ivan Evtimov e pesquisadores adicionais da Universidade da Califórnia em Berkeley, da Universidade de Michigan, da Universidade Stony Brook e da Universidade de Washington descobriram que bastam pequenas mudanças para parar assinar usando adesivos em preto e branco é fazer com que redes neurais profundas (DNNs) de última geração classifiquem erroneamente as imagens. A equipe publicou suas descobertas em abril de 2018 no arXiv .

Uma das desvantagens atuais da aprendizagem profunda é a grande quantidade de dados necessários para o computador para treinamento. Em contraste, uma vez que uma criança aprende o que é um pássaro, ela pode facilmente identificar um animal como um pássaro sem ter que aprender todas as diferentes espécies de aves existentes.

Várias regiões do cérebro processam diferentes tipos de entrada. Por exemplo, o lobo parietal é a área do cérebro onde a entrada sensorial para toque, temperatura e dor é processada. O lobo occipital interpreta a visão. O lobo temporal desempenha um papel na audição. Dadas as diferentes regiões do processo cerebral, insumos sensoriais em diferentes áreas, como ela forma uma experiência unificada? Isso descreve o problema de ligação.

• Analisador de Respiração AI Inovador Diagnostica Doenças por “Cheiro”
• Pode uma mudança narcisista?
• Os cães grandes são realmente mais inteligentes que os cães pequenos?
• Uma cartilha sobre o aprendizado de máquina AI
• Mentes de crescimento em todo o mundo

Por exemplo, quando um avião a jato no alto do céu passa por cima, o cérebro sabe que o som que cai corresponde a ele. O cérebro reconhece que as asas, as caudas, a fuselagem e o rastro branco (trilha de condensação) pertencem ao jato, e não ao céu, ao sol ou às nuvens de fundo. De alguma forma, o cérebro humano é capaz de ingerir vários dados de informações sensoriais, como visão, audição, paladar, olfato e tato, e compor uma experiência coesa. No entanto, é um mistério para os cientistas exatamente como o cérebro faz isso.

O matemático britânico e professor de neurociência Simon Stringer da Oxford Foundation for Neurociência Teórica e Inteligência Artificial está atualmente pesquisando neurônios no cérebro que atuam como “neurônios de ligação” e tem ambições de conceder “inteligência semelhante a ratos em uma máquina em 20 anos”.

Por enquanto, a solução alternativa para os pesquisadores de IA é atingir um bom desempenho, em média, quando se trata de interpretar corretamente as imagens visuais.

“O olho vê apenas o que a mente está preparada para compreender.” – Robertson Davies

Copyright © 2019 Cami Rosso Todos os direitos reservados.

Referências

Geografia nacional. “Brain”. Recuperado 1-16-2019 de https://www.nationalgeographic.com/science/health-and-human-body/human-body/brain/

Eykholt, Kevin, Evtimov, Ivan, Fernandes, Earlence, Li, Bo, Rahmati, Amir, Xiao, Chaowei, Prakash, Atul, Kohno, Tadayoshi, Canção, Amanhecer. “Ataques robustos do mundo físico na classificação visual de aprendizagem profunda”. ArXiv : 1707.08945v5. 10 de abril de 2018.

Geddes, Linda. “Os ‘eventos estranhos’ que fazem as máquinas alucinarem.” BBC . 5 de dezembro de 2018.