큐:
일부 기계 학습 프로젝트에 왜 많은 수의 배우가 필요할 수 있습니까?
ㅏ:머신 러닝을 생각할 때 컴퓨터 실의 키보드를 사용하는 숙련 된 데이터 과학자를 생각하는 경향이 있습니다. 정량 분석 및 알고리즘에 중점을 둡니다. 이러한 많은 프로그램에 대한 즉각적인 실제 상황은 많지 않습니다. 적어도 그것이 많은 사람들이 생각하는 것입니다.
그러나 오늘날 가장 혁신적인 머신 러닝 프로그램 중 일부는 거리, 상점 및 도보, 작업 또는 쇼핑과 같은 기본적인 인간 활동을 모델링 할 수있는 모든 곳에서 사람 행위자의 군대를 활용하고 있습니다.
| 무료 다운로드 : 기계 학습 및 중요한 이유 |
Tom Simonite의 Wired 기사는 "AI를보다 똑똑하게 만들기 위해 인간은 홀수 공제율이 낮은 업무를 수행합니다."라는 제목의 제목으로이를 잘 보여줍니다.
Wholeite Foods 식료품 점에서 촬영 한 짧은 비디오의 예를 사용하여 Simonite는 다음 단계의 기계 학습을 구축하는 데 도움이 될 작업의 종류를 강조합니다.
이것은 왜이 모든 사람들이 팔이나 다리를 움직일 때와 같이 기초적인 행동을 기록하는 짧고 간단한 비디오로 자신을 촬영하는 데 대한 의문으로 이어집니다.
그 대답은 머신 러닝의 위치와 진행 상황에 대한 정보를 제공합니다.
“연구자와 기업가들은 AI가 물리적 세계에서 이해하고 행동하는 것을보고 싶어합니다.”라고 Simonite는 자신과 다른 사람들이 왜 카메라를 가지고 이동하는지 설명합니다. “따라서 노동자들은 슈퍼마켓과 가정에서 장면을 연기해야합니다. 그들은 세계와 세계의 사람들에 대한 알고리즘을 가르치기 위해 교육 자료를 생성하고 있습니다.”
많은 전문가들이 지적 하듯이, 기계 학습의 가장 큰 영역 중 일부는 이미지 처리 및 자연어 처리와 관련이 있습니다. 이는 매우 정량적 인 절차입니다. 즉, "실제"실제 환경에서와 같이 광범위한 입력이 없습니다. 대신 머신 러닝 프로그램은 매우 구체적인 방식으로 비주얼 및 오디오 데이터를 사용하여 모델을 빌드합니다. 이미지 처리를 통해 (유한 한) 시야에서 피처를 선택합니다. NLP의 경우 음소를 조립합니다.
이러한 특정 입력 범주를 넘어 서면 "이미지 및 음성 갭"이라고하는 것이 있습니다. 이미지 처리 및 음성 인식 등을 넘어서서 컴퓨터를 다양한 방식으로 분석해야하는 영역으로 이동하고 있습니다. 훈련 세트는 근본적으로 다릅니다.
비디오 작가의 군대를 입력하십시오. 이러한 새로운 기계 학습 프로젝트 중 일부에서 인간 활동의 가장 작은 아이디어는 훈련 세트입니다. 컴퓨터는 분류 작업을 구성하는 기능과 가장자리 및 픽셀을 찾도록 교육받는 대신 교육 비디오를 사용하여 다양한 유형의 동작이 어떤지 평가합니다.
핵심은 엔지니어가이 데이터를 수집하고로드 할 때와 컴퓨터를 교육 할 때 수행 할 수있는 작업입니다. 곧 다양한 분야에서 결과를 보게 될 것입니다. 예를 들어 감시가 매우 효과적입니다. 컴퓨터는 사람들이하는 일을 시야에서 "보고"마케팅 및 판매와 같은 분야에 적용하거나 정부 기관 업무 또는 형사 사법과 같은 분야에 적용 할 수 있습니다.
파급 효과는 또한 최대 혜택과 개인 정보 보호 문제 사이의 토론에 약간의 불을 붙였습니다. 이 비디오를 많이 사용하면 감시에 유용한 기계 학습 모델을 만들 수 있습니다. 그러나 감시를 원하지 않는 사람들은 어떻습니까? 이러한 새로운 기계 학습 프로그램이 공공 장소에 배포 될 때 개인의 권리는 무엇이며 그 선은 어디에 있습니까?
어쨌든 회사는 이러한 종류의 인적 자원과 비디오 자원을 사용하여 이미지를 분류하거나 음소로 작업하는 대신 컴퓨터가 실제로 주변에서 일어나는 일을 인식 할 수 있도록하는 다음 단계의 머신 러닝 과정을 실제로 파고 들고 있습니다. 연설. 이것은 인공 지능에있어서 매우 흥미롭고 논쟁의 여지가있는 기술이며, 기술 미디어와 그 너머에서 주목할 가치가있는 것입니다.
