«`html
Google DeepMind Researchers Propose Human-Centric Alignment for Vision Models to Boost AI Generalization and Interpretation
Глубокое обучение сделало значительные шаги в искусственном интеллекте, особенно в обработке естественного языка и компьютерном зрении. Однако даже самые передовые системы часто терпят неудачи способами, которые не свойственны человеку, подчеркивая критическую разницу между искусственным и человеческим интеллектом. Это различие возродило дебаты о том, обладают ли нейронные сети основными компонентами человеческого познания. Основной вызов заключается в разработке систем, которые проявляют более похожее на человеческое поведение, особенно в отношении устойчивости и обобщения. В отличие от людей, которые могут адаптироваться к изменениям окружающей среды и обобщать в различных визуальных ситуациях, модели искусственного интеллекта часто нуждаются в помощи с изменением распределения данных между обучающими и тестовыми наборами. Этот недостаток устойчивости в визуальных представлениях представляет существенные вызовы для последующих приложений, требующих сильных способностей к обобщению.
Практические решения и ценность:
Исследователи из Google DeepMind, Machine Learning Group, Technische Universität Berlin, BIFOLD, Berlin Institute for the Foundations of Learning and Data, Max Planck Institute for Human Development, Anthropic, Department of Artificial Intelligence, Korea University, Seoul, Max Planck Institute for Informatics предлагают уникальную методику под названием AligNet для решения несоответствия между человеческими и машинными визуальными представлениями. Этот подход направлен на моделирование масштабных наборов данных с оценкой сходства, похожих на человеческие, для выравнивания моделей нейронных сетей с человеческим восприятием. Методология начинается с использования аффинного преобразования для выравнивания модельных представлений с человеческими семантическими оценками в задачах тройственного выбора. Этот процесс включает меры неопределенности от человеческих ответов для улучшения калибровки модели. Выровненная версия современной модели визуального фундамента (VFM) затем служит заменой для генерации сходства, похожего на человеческое, среди моделей. Группируя представления в значимые суперординарные категории, исследователи выбирают семантически значимые тройки и получают ответы на тройственный выбор от заменяющей модели, что приводит к обширному набору человекоподобных тройных оценок под названием AligNet.
Результаты демонстрируют значительные улучшения в выравнивании машинных представлений с человеческими оценками на различных уровнях абстракции. Для глобальной грубой семантики мягкое выравнивание существенно улучшило производительность модели, с точностью, возросшей с 36,09-57,38% до 65,70-68,56%, превышая показатель надежности человека-к-человеку в 61,92%. Для локальной тонкой семантики выравнивание улучшилось умеренно, с точностью, возросшей с 46,04-57,72% до 58,93-62,92%. Для троек, связанных с классами, тонкая настройка AligNet достигла замечательного выравнивания, с точностью, достигающей 93,09-94,24%, превышая показатель шумового потолка человека в 89,21%. Эффективность выравнивания различалась на разных уровнях абстракции, при этом различные модели проявляли свои сильные стороны в различных областях. Особенно следует отметить, что тонкая настройка AligNet хорошо обобщается на другие наборы данных оценки сходства человека, демонстрируя значительные улучшения в выравнивании на различных задачах сходства объектов, включая многоразмещение и попарные оценки сходства по шкале Ликерта.
Методология AligNet включает несколько ключевых этапов для выравнивания машинных представлений с человеческим визуальным восприятием. Вначале она использует набор данных THINGS triplet odd-one-out для изучения аффинного преобразования в глобальное человеческое пространство сходства объектов. Это преобразование применяется к представлениям модели-учителя, создавая матрицу сходства для пар объектов. Процесс включает меры неопределенности человеческих ответов с использованием метода приближенного байесовского вывода, заменяя жесткое выравнивание мягким выравниванием.
Целью функции обучения преобразования неопределенности является объединение мягкого выравнивания с регуляризацией для сохранения локальной структуры сходства. Преобразованные представления затем кластеризуются в суперординарные категории с использованием кластеризации k-средних. Эти кластеры направляют генерацию троек из различных изображений ImageNet, с выбором третьего объекта, определяемого заменяющей моделью-учителем.
Наконец, устойчивая целевая функция на основе дивергенции Кульбака-Лейблера облегчает дистилляцию парной структуры сходства учителя в сеть-ученик. Эта цель AligNet объединяется с регуляризацией для сохранения пространства предварительно обученного представления, что приводит к тонко настроенной модели-ученику, которая лучше выравнивается с человеческими визуальными представлениями на различных уровнях абстракции.
Это исследование решает критическое недостаток в моделях визуального фундамента: их неспособность адекватно представлять многоуровневую концептуальную структуру человеческих семантических знаний. Разработав методику AligNet, которая выравнивает модели глубокого обучения с человеческими оценками сходства, исследование демонстрирует значительные улучшения производительности модели на различных когнитивных и машинных задачах обучения. Полученные результаты вносят вклад в текущие дебаты о способности нейронных сетей захватывать человекоподобный интеллект, особенно в понимании отношений и организации иерархических знаний. В конечном итоге данная работа иллюстрирует, как выравнивание представлений может улучшить обобщение и устойчивость модели, сокращая разрыв между искусственным и человеческим визуальным восприятием.
Если вы хотите, чтобы ваша компания развивалась с помощью искусственного интеллекта (ИИ) и оставалась в числе лидеров, грамотно используйте Google DeepMind Researchers Propose Human-Centric Alignment for Vision Models to Boost AI Generalization and Interpretation.
Проанализируйте, как ИИ может изменить вашу работу. Определите, где возможно применение автоматизации: найдите моменты, когда ваши клиенты могут извлечь выгоду из AI.
Определитесь какие ключевые показатели эффективности (KPI): вы хотите улучшить с помощью ИИ.
Подберите подходящее решение, сейчас очень много вариантов ИИ. Внедряйте ИИ решения постепенно: начните с малого проекта, анализируйте результаты и KPI.
На полученных данных и опыте расширяйте автоматизацию.
Если вам нужны советы по внедрению ИИ, пишите нам на https://t.me/flycodetelegram.
Попробуйте ИИ ассистент в продажах https://flycode.ru/aisales/. Этот ИИ ассистент в продажах помогает отвечать на вопросы клиентов, генерировать контент для отдела продаж, снижать нагрузку на первую линию.
Узнайте, как ИИ может изменить ваши процессы с решениями от Flycode.ru
«`
