un traitement spécial d'Apple
Nous savons tous que Apple est une entreprise avec un accent particulier sur la culture du secret, et seulement à ce moment-là est fondamentalement nouveaux produits ouverts, vous allez vraiment comprendre ce qu'il est de la bouche du fonctionnaire, et quels matériaux qu'il utilise et ce la technologie. Cette culture nous a apporté beaucoup de surprises, mais le passage du temps, adhérer à ce style d'Apple semble avoir rencontré de nouvelles difficultés.
Ainsi, les deux dernières années, nous avons vu un passé pas la même pomme. Il est comparé au passé, et le monde extérieur semble être plus disposés à partager leurs réalisations scientifiques et technologiques. Bien sûr, la politique de confidentialité est certainement le thème principal, mais quel que soit le résultat, à l'exception - par exemple, l'apprentissage de la machine.
Au cours de cette période, nous avons vu les dirigeants d'Apple apparitions publiques plus à parler de leurs points de vue sur l'intelligence artificielle et de l'apprentissage de la machine aux médias. La conférence d'Apple, « machine learning » est devenu un des mots à haute fréquence. Il n'y a pas longtemps, les cadres aussi burst collective « Notre technologie d'apprentissage automatique est très avancé » dans une interview, et a révélé que les exemples d'application de la technologie de l'entreprise a été.
Après cela, Apple a annoncé que son équipe de l'intelligence artificielle peut participer à la discussion académique pertinente, et permettre aux chercheurs de publier des documents. Il n'y a pas longtemps, expert en intelligence artificielle d'Apple Tom Gruber toujours conférence TED, Apple explique comment traiter cette technologie. Pour les fans, Apple de le faire dans le passé presque impensable.
Comme pour prouver que l'engagement est pas vraiment vide avant qu'il, Apple vient d'ouvrir un blog à, est consacré au progrès de l'apprentissage de la machine de l'entreprise. Cette décision sans précédent pour nous laisser voir comment la réussite de l'apprentissage machine d'Apple il?
Progrès d'Apple
Nous savons tous que l'intelligence artificielle de a une application très importante est la reconnaissance d'image, ce qui est mis en évidence par Apple dans les mises à jour récentes du système en organiser automatiquement les photos de classification, en fait, nous avons déjà accès à ces technologies.
Alors, comment rendre le dispositif capable de déterminer avec précision ce que l'image quel est-il? Il aurait besoin d'une formation. Tout d'abord, trouver un bon être étiqueté humain beaucoup du manuel est une sorte d'objet, déterminer et corriger l'image, comme le plus simple « chat », « chien », « yeux » de ceux-ci, puis laisser la machine à apprendre et à reconnaître, afin qu'il puisse commencer à essayer propre identité des images similaires.
Apple a déclaré que ce coût de processus est trop élevé, parce que la machine pour améliorer la précision de la reconnaissance, le nombre d'images à très grand, il est entendu à l'heure actuelle est d'un million de début, même si l'annotation manuelle plus est presque impossible. De plus, ces images doivent avoir assez de diversité, après tout, peut être étiqueté comme image « chat », « chien », « oeil » du genre de trop, trop seule machine si vous rencontrez des situations plus complexes, il peut être ne reconnaît pas.
Bien sûr, il y a un moyen: plus le nombre plus difficile à atteindre depuis les images d'annotation manuelle, vous pouvez utiliser l'outil de simulation génère automatiquement massif étiqueter automatiquement une bonne image, laissez la machine de continuer à identifier. Cependant, cette solution a aussi un gros problème, qui est des images générées automatiquement souvent pas vrai, cela affectera grandement la précision de l'intelligence artificielle pour identifier l'image. premier blog d'Apple, est d'essayer de résoudre ce casse-tête.
En fait, l'idée d'Apple est simple: si l'image générée simulateur est pas vrai, il serait assez plus réel. Fait intéressant, les chercheurs ont conçu une étude à ce réseau final.
Le Bowen a déclaré Apple A cet effet, le développement de raffineur que l'on appelle (Refiner R) et un discriminateur (discriminateur D). Lorsque le simulateur génère des images, R raffiné est responsable pour le rendre plus réel, afin de passer le test du discriminateur. La base de données discriminateur a un grand nombre d'images réelles (Fait intéressant, Apple a dit que ces images peuvent être non marqués - et économiser une somme des coûts de main-d'uvre), qui est responsable de ces images réelles, le raffineur pour identifier si les images de it vrai.
Affineur tout son possible pour tromper le discriminateur, et celui-ci devra reconnaître les efforts de l'ancien « truc ». Deux mécanismes pour améliorer leur propre capacité à constamment « bataille des esprits » jusqu'à ce que le discriminateur pouvait dire, le processus d'apprentissage est terminé. De cette façon, il est possible sans qu'il soit nécessaire pour le marquage manuel pour générer des images réalistes font massivement l'intelligence artificielle de continuer à apprendre, de sorte que vous pouvez réduire considérablement les coûts.
Il est également important que Apple devra veiller à ce que le processus d'apprentissage ne pas « écart ». Parce que le processus de mise à niveau et d'arrêter le concours dans le raffinage et dans le discriminateur, il n'y a aucune garantie en raison de divers facteurs, images et discriminateur donc Modify raffinés reconnus début standards allant à l'extrême, de sorte que les images résultant directement la déformation. Ainsi, Apple a ajouté des mécanismes de régulation.
Tout d'abord, Apple est divisé en plusieurs parties de l'image, puis en fonction des caractéristiques de pixels de ces sections, la distorsion se produisant dans les statistiques du concours, plus l'écart de distorsion, plus la perte de jugement. En plus de détermination locale, il y a une perte globale de mécanisme d'auto-régulation, pour établir une différence de contraste avant et après la génération d'une image modifiée. moissonneuse-batteuse locale et mondiale pour faire en sorte que les images ne sont pas une grande mutation se produit dans le processus. En plus de se distinguer a également une fonction de mémoire, peut se rappeler a été déterminé que l'image fausse avant ceux-ci.
Il est également intéressant de noter que Apple n'a pas encore trouvé un moyen d'apprendre le système détermine automatiquement avorté, toutes les images ne peuvent être stockés dans le processus d'apprentissage, artificiellement image visuelle générée a été interrompue et est très proche de temps d'apprentissage réel.
En utilisant une telle solution, il est dit que l'effet est encore très bon. Apple a demandé à des volontaires testés 10 volontaires ont regardé 1000 ensemble d'images, respectivement, et la vraie image est affinée pour modifier les images générées. Avec succès distinguer la vraie image du groupe 517, près de 50% de probabilité, que les gens ne peuvent pas déterminer les images vraies et fausses, est plus probable de 2 à 1. Lorsque les bénévoles voient des images réelles et de générer des images originales, 200 groupe d'images, ils distinguent avec succès jusqu'à 162 groupes.
Le meilleur est encore à venir
D'Apple ce premier poste, nous pouvons voir clairement ses progrès et des idées dans le domaine de l'apprentissage machine, il peut être considéré comme une ouverture sans précédent. Est-ce que il est naturellement de montrer qu'il n'a pas à la traîne dans le domaine de l'intelligence artificielle, et souhaite donc attirer plus de talent.
Comme le point culminant de l'intelligence artificielle et le développement de la technologie d'apprentissage machine et produit des fonctionnalités futures développé par Apple, nous verrons leur ombre sur le nombre croissant de conférences. Si vous êtes toujours avoir des doutes, Apple est constamment maintenant de prendre position, de sorte que les gens à l'aise.
Blog ouvert, ce n'est que le premier seul poste. On peut imaginer que, dans l'avenir d'Apple publiera plus de ses progrès techniques. Dans la résolution des problèmes identifiés par l'image, alors il viendra réaliser ce que l'apprentissage d'une machine, il? Il fait vraiment nous attendons avec impatience ah.
