Kecerdasan Buatan Baru Telah Belajar Membina Hubungan Kausal - Pandangan Alternatif

Kecerdasan Buatan Baru Telah Belajar Membina Hubungan Kausal - Pandangan Alternatif
Kecerdasan Buatan Baru Telah Belajar Membina Hubungan Kausal - Pandangan Alternatif

Video: Kecerdasan Buatan Baru Telah Belajar Membina Hubungan Kausal - Pandangan Alternatif

Video: Kecerdasan Buatan Baru Telah Belajar Membina Hubungan Kausal - Pandangan Alternatif
Video: TUGAS KECERDASAN BUATAN MINGGU ke-5 BLIND SEARCH dan HEURISTIK 2024, Mac
Anonim

Kecerdasan Buatan Hibrid (selepas ini disebut sebagai AI) dan satu set data dan tanda aras baru untuk menilai keupayaan algoritma AI dalam memberi alasan mengenai tindakan maklumat video yang disampaikan oleh penyelidik dari IBM, MIT, Harvard dan DeepMind pada persidangan ICLR 2020, TheNextweb melaporkan pada 17 Mei.

Set data dan persekitaran penyelidikan baru yang disajikan di ICLR 2020 disebut CoLlision Events for Video Representation and Reasoning atau CLEVRER. Mereka didasarkan pada CLEVR, satu set soal jawab visual yang dikembangkan di Universiti Stanford pada tahun 2017. CLEVR adalah sekumpulan tugas yang mewakili gambar pegun dari objek pepejal. Ejen AI mesti dapat menganalisis pemandangan dan menjawab beberapa soalan mengenai jumlah objek, atributnya dan hubungan ruang mereka.

Sebagai penyelesaian untuk tugas yang sukar untuk AI klasik, para penyelidik mengemukakan model pemikiran dinamik neuro-simbolik, gabungan rangkaian saraf dan kecerdasan buatan simbolik.

Hasil kajian menunjukkan bahawa menggabungkan rangkaian saraf dan program simbolik ke dalam satu model AI dapat menggabungkan kekuatan dan mengatasi kelemahan mereka. "Perwakilan simbolik menyediakan kerangka kerja umum yang kuat untuk penglihatan, bahasa, dinamika dan kausalitas," kata penulis, sambil menambahkan bahawa program simbolik memungkinkan model untuk "menangkap komposisi yang mendasari struktur kausal dan logik persoalan."

Kelebihan sistem sedemikian dibatasi oleh kekurangan tanpa syarat. Data yang digunakan untuk melatih model memerlukan anotasi tambahan, yang terlalu memakan masa dan mahal dalam aplikasi dunia nyata.

Disyorkan: