Νέα εφαργμογή τεχνητής νοημοσύνης της Google, εκπαιδεύει τον εαυτό της να μετρά θερμίδες από φωτογραφίες τροφίμων
Το 2014 απέκτησε την DeepMind με αγορά αξίας $ 400εκ. με σκοπό να χρησιμοποιήσει την τεχνογνωσία της εταιρείας στον τομέα της βαθιάς μάθησης (Deep Learning) - ένα υποσύνολο της έρευνας για την τεχνητή νοημοσύνη - για να ενισχύσει τις βασικές ικανότητες της μηχανής αναζήτησης. Το Googleplex (η εταιρική έδρα της Google) έχει απορροφήσει κι άλλα φωτεινά μυαλά από τον τομέα της τεχνητής νοημοσύνης, καθώς και μερικές από τις πιο γνωστές εταιρείες ρομποτικής, με μόνο μερικά από αυτά να έχουν τοποθετηθεί επίσημα στα αυτοκίνητα (χωρίς οδηγό), στα αεροσκάφη (drones) παράδοσης και σε άλλα έργα ρομποτικής ή έργων σχετικά με την τεχνητή νοημοσύνη. Τί ακριβώς όμως σχεδιάζουν οι ειδικοί της Google;
Με μια λέξη: φαγητό.
Στη σύνοδο κορυφής Βαθιάς Μάθησης στη Βοστώνη αυτής της εβδομάδας, ο ερευνητικός επιστήμονας της Google Kevin Murphy παρουσίασε ένα έργο που χρησιμοποιεί εξελιγμένους αλγόριθμους βαθιάς μάθησης για να αναλύσει μια φωτογραφία τροφίμων και να εκτιμήσει πόσες θερμίδες υπάρχουν σε αυτή.Το έργο (project) oνομάζεται Im2Calories και σε ένα παράδειγμα, το σύστημα κοίταξε μια εικόνα και μέτρησε δύο αυγά, δύο τηγανίτες και τρεις λωρίδες μπέικον. Λόγω του ότι αυτά δεν είναι ακριβώς καθολικές μονάδες μέτρησης, το σύστημα μπόρεσε να εκτιμήσει το μέγεθος κάθε τεμαχίου τροφής, σε σχέση με το μέγεθος του πιάτου καθώς και τα καρυκεύματα που υπήρχαν μέσα στο φαγητό. Το Im2Calories δεν απαιτεί προσεκτικά τραβηγμένες εικόνες υψηλής ανάλυσης. Οποιαδήποτε φωτογραφία π.χ. από το Instagram θα μπορούσε να αναλυθεί.
Τελικά ποιά ήταν η τελική καταμέτρηση θερμίδων; Ο σκοπός του Im2Calories δεν είναι να φέρει σε δύσκολη θέση τους χρήστες με τους συγκλονιστικούς υπολογισμούς της ημερήσιας πρόσληψης τροφής τους. Ο Murphy θέλει να απλοποιήσει τη διαδικασία της καταγραφής ένα ημερολογίου διατροφής, προσδιορίζοντας τα τρόφιμα έτσι ώστε να μην χρειάζεται να τα εισάγει ο χρήστης σε μια εφαρμογή και λαμβάνοντας υπόψη την υπόθεση της διαφορετικής μερίδας. "Εμείς ημι-αυτοματοποιούμε," είπε ο Murphy κατά την παρουσίασή του, σημειώνοντας ότι ο χρήστης έχει τη δυνατότητα να διορθώσει το λογισμικό χρησιμοποιώντας τα αναδυόμενα μενού, αν αυτό συγχέει για παράδειγμα τα τηγανητά αυγά με τα αυγα ποσέ ή δεν αναγνωρίζει κάτι εντελώς. "Αν δουλεύει μόνο το 30 τοις εκατό του έργου, είναι αρκετό για να ξεκινήσουν οι άνθρωποι να το χρησιμοποιούν. Θα συλλέγουμε δεδομένα και το σύστημα θα μαθαίνει περισσότερα με την πάροδο του χρόνου», δήλωσε ο Murphy.
Αν και η παχυσαρκία παραμένει μεγάλο πρόβλημα στις Ηνωμένες Πολιτείες και μια εμπορική έκδοση του Im2Calories θα μπορούσε πιθανότατα να είναι εξαιρετικά δημοφιλής, είναι περισσότερο ο τρόπος με τον οποίο λειτουργεί το σύστημα που αξίζει μια πιο προσεκτική ματιά. Όπως πολλές εφαρμογές βαθιάς μάθησης, παντρεύουν την οπτική ανάλυση - σε αυτή την περίπτωση, τον προσδιορισμό του βάθους του κάθε εικονοστοιχείου σε μια εικόνα - με την αναγνώριση προτύπων (pattern recognition). To Im2Calories μπορεί να δημιουργήσει συνδέσεις ανάμεσα στο πως δείχνει ένα κομμάτι τροφής και τεράστιες ποσότητες των διαθέσιμων δεδομένων θερμιδομέτρησης. Το σύστημα έχει σχεδιαστεί για να βελτιώνει μόνο του τον εαυτό του, μέσω της συνεχούς χρήσης. Ο σκοπός πολλών συστημάτων βαθιάς μάθησης είναι να ελαχιστοποιηθεί ο χρόνος που δαπανάται για την εισαγωγή δεδομένων ή του ελέγχου ένος λογισμικού, ώστε να βελτιωθούν οι επιδόσεις του. Αν το Im2Calories εντοπίσει ένα burger, είναι επειδή τα pixels στην εικόνα μοιάζουν με εκείνα στα υπάρχοντα πλάνα ενός χάμπουργκερ κι όχι επειδή ένας ερευνητής κρατούσε το χέρι του συστήματος, να το πούμε έτσι, κατά τη διάρκεια των διαφόρων πρακτικών πειραμάτων. Για να γίνει η βαθιά μάθηση χρήσιμη, κυρίως με την εξαγωγή νοήματος από ήχο, βίντεο, εικόνες και κείμενο, πρέπει το σύστημα να βασίζεται σε μεγάλο βαθμό στον εαυτό του.
Ακόμα κι αν το Im2Calories δεν κατεφέρει να γίνει ποτέ απόλυτα ακριβές, ο Murphy πιστεύει ότι θα έχει κερδίσει τις εντυπώσεις. "Για μένα είναι προφανές ότι οι άνθρωποι θέλουν πραγματικά ένα τέτοιο σύστημα και θα αποδειχτεί τελικά χρήσιμο», είπε. "Εντάξει, ίσως χάνουμε θερμίδες σε ποσοστό 20 περίπου τοις εκατό κατά τις μετρήσεις. Δεν έχει όμως σημασία. Εμείς πάμε για το μέσο όρο για μια εβδομάδα ή ένα μήνα ή ένα χρόνο. Και τώρα μπορούμε να αρχίσουμε να συνδυάζουμε πληροφορίες από πολλά άτομα, για την παραγωγή στατιστικών σε επίπεδο πληθυσμού. Έχω συναδέλφους στην επιδημιολογία και στη δημόσια υγεία που πραγματικά θέλουν αυτό το έργο να πετύχει. "
Η παχυσαρκία είναι μια μάστιγα κι αξίζει την ανάπτυξη λογισμικού σε κορυφαίο επίπεδο, με τη χρήση τεχνολογιών όπως της σημασιολογικής κατάτμησης εικόνας και των νευρωνικών δικτύων που η Google μπορεί να διαθέσει. Δεν είναι έκπληξη το γεγονός ότι η βαθιά μάθηση προκαλεί τόσο μεγάλο ενδιαφέρον στη Silicon Valley. Αν μη τι άλλο, έκπληξη είναι το γεγονός ότι έχει καθυστερήσει τόσο καιρό.
Πηγή
Post a Comment