Движок искусственного интеллекта Google AutoML уже давно способен создавать решения для ИИ без поддержки людей. После того, как команда исследователей Google обучила ПО для машинного обучения автоматизации моделей машинного обучения, ИИ смог создать виртуального ребенка, более мощного, чем человеческие дети, пишет Computing.
Представленный в мае 2017 года, AutoML — это инструмент искусственного интеллекта, который может научиться реплицировать себя и создавать новые решения для ИИ. В случае дочернего ИИ он действует как так называемая нейронная сеть контроллера.
Бот, называемый NASNet, способен идентифицировать множество объектов, представленных в видео в реальном времени. Например, он может распознавать светофоры, рюкзаки, сумочки, людей, автомобили и светофоры.
Google объяснила в блоге: "Несколько месяцев назад мы представили наш проект AutoML, подход, который автоматизирует дизайн моделей машинного обучения. Хотя мы обнаружили, что AutoML может проектировать небольшие нейронные сети, которые работают наравне с нейронными сетями, разработанными специалистами-людьми, эти результаты были ограничены небольшими академическими наборами данных, такими как CIFAR-10 и Penn Treebank".
Хотя NASNet далек от совершенства, AutoML имеет возможность постоянно совершенствовать свои функции. Он контролирует производительность бота-ребенка и ищет области, где он может улучшиться. Исследователи Google продемонстрировали боту-ребенку изображения ImageNet и наборы данных обнаружения объектов COCO, которые являются мощными ресурсами академических данных, для тестирования возможностей его компьютерного зрения. И результаты показали, что NASNet может превзойти большинство существующих систем компьютерного зрения, демонстрируя точность прогнозирования на 82,7%.
"Мы подозреваем, что функции изображения, полученные NASNet в ImageNet и COCO, могут быть повторно использованы для многих приложений для компьютерного зрения, — заявили исследователи Google. — Таким образом, у нас есть открытый NASNet для вывода классификации изображений и для обнаружения объектов в репозиториях Slim и Object Detection TensorFlow. Мы надеемся, что более крупное сообщество машинного обучения сможет использовать эти модели для решения множества проблем компьютерного зрения".