A dolgok felismerése már remekül megy az autóknak, de az adatok szűrését, hogy mi fontos és mi nem, még fejleszteni kell. A kutatók nem elégednek meg a technológia jelenlegi szintjével.
A beszéd és a képek felismerése, illetve a szövegek elemzése miatt a neurális hálózatot használó mesterséges intelligencia a mindennapok részévé vált. Ezek az emberi agy működési modelljét másolják, azaz valaminek a tényleges megvalósítását tanulási fázis előzi meg. Az új technológia egyik alapját Sepp Hochreiter, a Linzi Egyetem Bioinformatikai Intézetének vezetője és mesterséges intelligencia szakértője fejlesztette ki 1997-ben. A mai mély tanulás alapú természetes nyelvfeldolgozás és idősor modellezés egyik leghatékonyabb módszerét Long Short-Term Memory (LSTM) hálózatoknak nevezte el, ilyeneket alkalmaznak a mobilokban és az önállóan közlekedő autókban is. Lényege, hogy az adatok oda és vissza is haladhatnak a neurális hálózatban.
"Ahhoz, hogy egy szöveget meg lehessen érteni, nem elegendő minden egyes szót egyenként figyelembe venni. Ahhoz, hogy a szöveg értelmét is megértsük, tudnom kell a mondat végére érve azt is, hogy mi volt az első szó" - fejtette ki a szakember. A kezdetben használt neurális hálózatoknak azonban komoly problémát okozott, hogy vagy nagyon gyorsan elfelejtették az információkat vagy túl erősen felerősítették azokat, ami Hochreiter szóhasználatával élve "robbanáshoz" vezetett. A Long Short-Term Memory kifejlesztésével azonban sikerült 20 évvel ezelőtt a probléma megoldásának alapját lefektetni. A módszer eleinte lehetővé tette az információk kiegyensúlyozott továbbadását, napjainkban pedig már ezen túlmenően a beszédfeldolgozás és a szövegelemzés vezető módszere is. Napjainkban az ilyen hálózatokat naponta több milliárd ember használja.
Hochreiter vezetésével a szakemberek most megalapították a Linzi Egyetem Mesterséges Intelligencia Központját, amely elsősorban a gépi tanulás továbbfejlesztésével foglalkozik 12 millió eurós állami támogatással, emellett lefektették a Bioinformatikai Intézet és az Audi közötti együttműködés alapjait is. A kooperáció keretében a két fél közösen akarja elősegíteni az önállóan közlekedő gépkocsik fejlesztését.
Öt projekttel indítanak, például arra kiváncsiak, hogy egy önvezető autó bonyolult közlekedési szituációkban miként értelmezi a környezetét. A valószínű veszélyeket már korai fázisban észlelnie kell és csökkenteni akarják a reakcióidejét. Hochreiter közölte, hogy a mesterséges intelligencia már most jobban felismeri a közlekedési táblákat, mint az ember. Ennek ellenére a rendszereknek sokat kell fejlődniük, például hogy meg tudják különböztetni egymástól a fontos, és a kevésbé vagy egyáltalán nem fontos dolgokat, s így fel tudják hívni a vezetők figyelmét az utcai forgalomban lévő lehetséges veszélyekre. Ehhez azonban a mesterséges intelligenciának világot kell "látnia", hogy tapasztalatokat szerezzen. Ahogy Hochreiter fogalmazott: "A jövőben az autóknak maguknak lesz jogosítványuk."
A beszéd és a képek felismerése, illetve a szövegek elemzése miatt a neurális hálózatot használó mesterséges intelligencia a mindennapok részévé vált. Ezek az emberi agy működési modelljét másolják, azaz valaminek a tényleges megvalósítását tanulási fázis előzi meg. Az új technológia egyik alapját Sepp Hochreiter, a Linzi Egyetem Bioinformatikai Intézetének vezetője és mesterséges intelligencia szakértője fejlesztette ki 1997-ben. A mai mély tanulás alapú természetes nyelvfeldolgozás és idősor modellezés egyik leghatékonyabb módszerét Long Short-Term Memory (LSTM) hálózatoknak nevezte el, ilyeneket alkalmaznak a mobilokban és az önállóan közlekedő autókban is. Lényege, hogy az adatok oda és vissza is haladhatnak a neurális hálózatban.
"Ahhoz, hogy egy szöveget meg lehessen érteni, nem elegendő minden egyes szót egyenként figyelembe venni. Ahhoz, hogy a szöveg értelmét is megértsük, tudnom kell a mondat végére érve azt is, hogy mi volt az első szó" - fejtette ki a szakember. A kezdetben használt neurális hálózatoknak azonban komoly problémát okozott, hogy vagy nagyon gyorsan elfelejtették az információkat vagy túl erősen felerősítették azokat, ami Hochreiter szóhasználatával élve "robbanáshoz" vezetett. A Long Short-Term Memory kifejlesztésével azonban sikerült 20 évvel ezelőtt a probléma megoldásának alapját lefektetni. A módszer eleinte lehetővé tette az információk kiegyensúlyozott továbbadását, napjainkban pedig már ezen túlmenően a beszédfeldolgozás és a szövegelemzés vezető módszere is. Napjainkban az ilyen hálózatokat naponta több milliárd ember használja.
Hochreiter vezetésével a szakemberek most megalapították a Linzi Egyetem Mesterséges Intelligencia Központját, amely elsősorban a gépi tanulás továbbfejlesztésével foglalkozik 12 millió eurós állami támogatással, emellett lefektették a Bioinformatikai Intézet és az Audi közötti együttműködés alapjait is. A kooperáció keretében a két fél közösen akarja elősegíteni az önállóan közlekedő gépkocsik fejlesztését.
Öt projekttel indítanak, például arra kiváncsiak, hogy egy önvezető autó bonyolult közlekedési szituációkban miként értelmezi a környezetét. A valószínű veszélyeket már korai fázisban észlelnie kell és csökkenteni akarják a reakcióidejét. Hochreiter közölte, hogy a mesterséges intelligencia már most jobban felismeri a közlekedési táblákat, mint az ember. Ennek ellenére a rendszereknek sokat kell fejlődniük, például hogy meg tudják különböztetni egymástól a fontos, és a kevésbé vagy egyáltalán nem fontos dolgokat, s így fel tudják hívni a vezetők figyelmét az utcai forgalomban lévő lehetséges veszélyekre. Ehhez azonban a mesterséges intelligenciának világot kell "látnia", hogy tapasztalatokat szerezzen. Ahogy Hochreiter fogalmazott: "A jövőben az autóknak maguknak lesz jogosítványuk."
Megjegyzések
Megjegyzés küldése