De MIT-onderzoekers hebben een rekenmodel die streeft naar het vastleggen van de menselijke elementen van gezichtsherkenning en implementeren in onze kunstmatige intelligentie (AI) en machine learning systemen.
Op donderdag, MIT onthulde het onderzoek, uitgevoerd in het Centrum voor de Hersenen, het Verstand, en Machines (CBMM), gevestigd aan het Massachusetts Institute of Technology.
De onderzoekers ontwierpen een machine learning systeem implementeert de nieuwe model en ze hebben getraind is het te herkennen sets van bepaalde gezichten op basis van steekproef beelden, wat resulteert in een veel meer nauwkeurige en ‘menselijke’ manier van het herkennen van gezichten.
Een interessant aspect van het model is de “spontane” toevoeging van gezichtsherkenning stap die plaatsvindt wanneer een afbeelding wordt weergegeven met een gezicht, die gedraaid, zoals 45 graden naar links of rechts — die niet was opgenomen in het oorspronkelijke model.
Het team zegt dit pand bleek door de training, maar was geen onderdeel van de oorspronkelijke opdracht. Echter, op deze manier is het model “duplicaat van een experimenteel waargenomen functie van de primaten face-verwerking mechanisme.”
Als zodanig, het onderzoeksteam is van mening dat de kunstmatige model en de hersenen zijn denken langs dezelfde lijnen.
“Dit is niet een bewijs, dat wij begrijpen wat er aan de hand,” zegt Tomaso Poggio, een professor van de hersenen en cognitieve wetenschappen aan het MIT en de directeur van de CBBM. “De modellen zijn soort cartoons van de werkelijkheid, vooral in de biologie. Dus ik zou verbaasd zijn als de dingen blijken te zijn deze eenvoudig. Maar ik denk dat het een sterk bewijs dat we op de goede weg zijn.”
De onderzoeker is er nieuw papier, beschreven in het tijdschrift Computational Biology, voorzien van een wiskundig bewijs van de computer model.
Het systeem wordt beschouwd als een neuraal netwerk als het probeert na te bootsen de structuur van de menselijke hersenen en bevat eenvoudige eenheden die zijn ingericht in lagen en de verbinding met ‘knopen’ die fungeren als informatie-processors.
Gegevens worden ingevoerd in het netwerk, ingedeeld in verschillende gezichts-herkenning criteria, en met name de knooppunten reageren op verschillende prikkels. Door het scheiden van de knooppunten op die reageren het sterkst op de verschillende categorieën, de onderzoekers waren in staat om te produceren meer nauwkeurige herkenning van gezichten.
Als knooppunten ‘ontslagen’ op verschillende manieren, de “spontane” stap werd ook duidelijk.
Tijdens dit onderzoek heeft een lange weg te gaan, het is een stap in de verdieping van ons begrip van de geest, en hoe kunnen we mogelijk het verbeteren van machine learning algoritmen en kunstmatige intelligentie in de gezichtsherkenning technologie.
“Ik denk dat het een belangrijke stap vooruit,” zegt Christof Koch, president en chief scientific officer bij het Allen Institute for Brain Science. “In deze dag en leeftijd, wanneer alles wordt gedomineerd door big data of enorme computer simulaties, dit laat zien hoe je een principiële begrip van leren kan uitleggen wat puzzelen bevindingen.
“Ze zijn alleen op zoek naar de feed-forward traject — met andere woorden, de eerste 80, 100 milliseconden. De aap opent zijn ogen, en binnen 80 tot 100 milliseconden, het kunnen herkennen van een gezicht en druk op een knop signalering die,” Koch toegevoegd. “De vraag is wat gaat er in die 80 tot 100 milliseconden, en het model dat zij hebben lijkt om uit te leggen dat heel goed.”
Eerder deze week, zijn de onderzoekers van Augusta Universiteit voorgesteld een algoritme dat kon oplossen van de wortel van wat wij noemen de menselijke intelligentie.