Apple publica artículo de Inteligencia Artificial


Tecnología Apple publica artículo de Inteligencia Artificial

Publicado en 27 diciembre, 2016 por Redacción

0

Apple publica artículo de Inteligencia Artificial

La investigación en aprendizaje de máquinas a nivel corporativo al parecer tendrá un nuevo impulso gracias a Apple.

Al menos 6 investigadores de la empresa que recientemente formaron un grupo de aprendizaje de máquinas publicaron una investigación que describe métodos novedosos para aprendizaje simulado y no supervisado.

Apple publica artículo sobre AI

El objetivo es mejorar la calidad de imágenes de entrenamiento sintéticas. El trabajo publicado es una señal de la aspiración de la empresa de convertirse en un líder más visible en el creciente campo de la AI (o IA, Inteligencia Artificial).

Google, Facebook, Microsoft y el resto del establishment tecnológico han hecho crecer sus equipos de aprendizaje de máquinas. Con cientos de publicaciones cada uno, los fines académicos de las compañías han sido documentadas, pero Apple ha sido más reservado, manteniendo sus investigaciones bajo estricto secreto.

Pero las cosas comenzaron a cambiar a inicios de este año cuando el director de AI en Apple, Russ Slakhutdinov, anunció que la empresa pronto comenzaría a publicar sus investigaciones. El primer documento publicado es al mismo tiempo oportuno y práctico.

Gran potencial en la investigación

En tiempos recientes, las imágenes y videos sintéticos han sido usados con mayor frecuencia para entrenar modelos de aprendizaje de máquinas. En vez de usar tiempo y dinero en obtener imágenes del mundo real, las imágenes generadas son menos costosas, disponibles oportunamente y personalizables.

La técnica tiene mucho potencial, pero es riesgosa, pues las pequeñas imperfecciones del material de entrenamiento sintético pueden tener implicaciones negativas para el producto final. Puesto de otra forma, es difícil asegurarse que las imágenes generadas tengan los mismos estándares de calidad que las reales.

Apple está proponiendo usar GANs (Generative Adversarial Networks) para mejorar la calidad de estas imágenes de entrenamiento sintéticas. Las GANs no son nuevas, pero Apple las está modificando para cumplir su propósito.

En un alto nivel, las GANs trabajan aprovechando la relación adversaria entre redes neurales competitivas. En el caso de Apple, un simulador genera imágenes sintéticas que pasan a través de un refinador. Estas imágenes refinadas son enviadas a un discriminador que debe distinguir las imágenes reales de las sintéticas.

Desde una perspectiva de la teoría del juego, las redes están compitiendo en un juego de dos participantes. El objetivo de este tipo de juego es minimizar la pérdida al máximo posible.

La variación SimGAN de Apple está tratando de minimizar tanto la pérdida local adversarial y un término autoregulatorio. Estos términos simultáneamente minimizan las diferencias entre imágenes sintéticas reales, así como la diferencia entre imágenes sintéticas y refinadas para retener anotaciones.

La idea es que mucha alteración puede destruir el valor de un grupo no supervisado de entrenamiento. Si los árboles no se ven como árboles y el objetivo de tu modelo es ayudar a un vehículo autónomo a reconocer los árboles y evitarlos, esto es un fracaso.

Los investigadores han hecho también modificaciones más precisas como forzar a los modelos a usar la historia completa de imágenes refinadas, no sólo las del lote próximo, para asegurarse que la red adversaria pueda identificar todas las imágenes generadas como falsas en cualquier momento.

Es posible leer la investigación directamente de Apple en Learning from Simulated and Unsupervised Images through Adversarial Training.

Omelchenko / Shutterstock.com

Tags: ,


Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos necesarios están marcados *

Puedes usar las siguientes etiquetas y atributos HTML: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <strike> <strong>

Volver al Principio ↑