人工智慧在更少資料量情況下 完成高精度訓練學習:NVIDIA

Share on facebook
Share on twitter
Share on pinterest
Share on weibo

針對研究資料不足情況,NVIDIA提出能以少量資料生成更龐大資料量的動態識別增強技術 (adaptive discriminator augmentation,ADA),讓更多人工智慧技術應用能以少數資料量即可順利運作。此外,NVIDIA也宣布推出應用研究加速器計畫 (Applied Research Accelerator Program),讓更多學術研究人工智慧技術應用成果,可以更快藉由以NVIDIA旗下GPU建置平台投入商業或政府應用環境。

依照NVIDIA說明,人工智慧運作基礎多半在於足夠的資料量,但在部分人工智慧分析研究時,往往卻因為資料量不足導致學習成果不佳。

因此,在NVIDIA提出的動態識別增強技術裡,則是讓人工智慧能藉由既有資料量進行一定程度調整,進而產生更多可供學習資料數量。

例如在一般影像識別應用裡,通常需要使用5萬至10萬張影像才能順利訓練高品質的生成對抗網路。藉由動態識別增強技術,則可將幾千張的影片內容透過裁剪、翻轉、變形,以及調整對比、色調、光亮等細節,讓可供人工智慧學習訓練使用影像數量大幅增加,進而提升人工智慧學習精度表現。

專業技術領域的人工智慧只能當作輔助

弗蘭克•帕斯誇里認為,有了新的機器人法規之後人工智慧可以更完善地為人類服務,而不是被矽谷工程師封閉起來再決定該用它做什麼,而他對於新機器人法規的建議是,第一作為人工智慧技術人員應該要好好的待在補充專業人士知識的位置上,而不是取代專業人士,第二人工智慧和機器人系統不允許假冒人類,第三我們應該阻止人工智慧參與任何軍事任務,而且機器人和人工智慧系統需要強制地公開自己的身份。

不過可以發現這些法則也有針對到開發或使用人工智慧的人來進行規範,而不僅只有機器人本身,因為這些雇用或開發人工智慧的人才是真正掌握權力的。弗蘭克•帕斯誇里補充說:「在我看來,許多專業技術領域或許需要人工智慧但是人工智慧最恰當的角色是輔助這些專業人士,而不是取代他們。」

在NVIDIA的StyleGAN2模型示範中,便是利用數千張的藝術畫作作品,讓人工智慧能以有限資料量完成高精度的分析識別效果,同時也不會出現將相似影像判斷為相同內容的誤判結果。就整體結果來看,藉由動態識別增強技術提高學習精度的表現,實際上與透過足夠影像數量的學習結果幾乎相同。

雖然過去研究中也應用類似作法,但當時並未增加生成對抗網路模式,使得人工智慧後續開始模仿調整後的影像內容,導致產生全新不同影像學習結果,造成學習分析精度受到影響。在後來提出的動態識別增強技術,則是透過動態調整方式避免此類問題,並且讓學習精度可以大幅提升。

※本文章屬於TNZE天擇集團所有嚴禁轉載※

Share on facebook
Share on twitter
Share on whatsapp
Share on weibo

相關內容

最新資訊