BM13: Naukowiec Computer Vision z DeepMind - Mateusz Malinowski
Aug 28, 2017 ·
56m 17s
![BM13: Naukowiec Computer Vision z DeepMind - Mateusz Malinowski](https://d3wo5wojvuv7l.cloudfront.net/t_square_limited_480/images.spreaker.com/original/3f1dd38756a6e44a63bb6d5cfe5d1bd0.jpg)
Download and listen anywhere
Download your favorite episodes and enjoy them, wherever you are! Sign up or log in now to access offline listening.
Description
Gościem dzisiejszego odcinku jest naukowiec z DeepMind - Mateusz Malinowski. Który międy innymi kilka lat temu zdefiniował Visual Turing Test, który nabiera coraz większą popularność i ważność. DeepMind z rozwiazaniem...
show more
Gościem dzisiejszego odcinku jest naukowiec z DeepMind - Mateusz Malinowski. Który międy innymi kilka lat temu zdefiniował Visual Turing Test, który nabiera coraz większą popularność i ważność.
DeepMind z rozwiazaniem AlphaGo naprawdę zrobiło ogromne wrażenie i już wydaje się, że sztuczna inteligencja staje się coraz bardziej mocniejsza. A w tym czasie nadal są problemy które dla sztucznej inteligencji są bardzo trudne. Między innymi znane jako paradoks Moraveca. Jak mówił jeszcze Marvin Minsky - „Generalnie, najmniej jesteśmy świadomi tych rzeczy, które nasze umysły robią najlepiej.” i dodaje „Jesteśmy bardziej świadomi prostych procesów, które nie działają dobrze, niż złożonych procesów, które działają bezbłędnie.”
No właśnie i taki jeden z przykładów, gdzie sztuczna inteligencja wygląda albo wyglądała bardzo słabo to rozumienie relacji. Prosty przykład. Jest stół gdzie stoi szklanka wody, kubek i talerz. Każdy z nich ma położenie, materiał z którego zbudowany i kształ.
Załóżmy talerz stoi za kubkiem. Jeżeli zapytam dziecko które ma kilka lat lub mniej: “Co jest za kubkiem?”. Odpowie będzie - . talerz. Dla nas to zadanie brzmi absurdalnie proste, ale jest bardzo trudne dla maszyny. Rozumienie, takich rzeczy przez maszyny jest koniecznie dla zbudowanie mocnej sztucznej inteligencji i dlatego między innymi DeepMind pracuję nad tym. Mateusz, to jeden z naukowców który pracuje nad tym problem. Zapytałem go czy nadal to jest wyzwaniem i jakie są postępy. Mateusz powiedział:
"Można powiedzieć, że było wyzwaniem. W celu takiego relacyjnego wnioskowania przez maszyny, stworzyliśmy moduł, który nazwaliśmy Relation Networks. Jest to sieć neuronowa, która rozważa dwa obiekty na obrazie, porównuje te obiekty ze sobą za pomocą kilku warstwowej sieci neuronowej, a następnie agreguje wszystkie te reprezentacje takich par w celu stworzenia jednej reprezentacji globalnej całego obrazu. Za pomocą tak zbudowanej sieci neuronowej otrzymaliśmy wyniki, które są w zasadzie lepsze niż ludzkie odpowiedzi..."
Więcej o tym i innych tematach dowiesz się w naszej rozmowie.
http://biznesmysli.pl/13
show less
DeepMind z rozwiazaniem AlphaGo naprawdę zrobiło ogromne wrażenie i już wydaje się, że sztuczna inteligencja staje się coraz bardziej mocniejsza. A w tym czasie nadal są problemy które dla sztucznej inteligencji są bardzo trudne. Między innymi znane jako paradoks Moraveca. Jak mówił jeszcze Marvin Minsky - „Generalnie, najmniej jesteśmy świadomi tych rzeczy, które nasze umysły robią najlepiej.” i dodaje „Jesteśmy bardziej świadomi prostych procesów, które nie działają dobrze, niż złożonych procesów, które działają bezbłędnie.”
No właśnie i taki jeden z przykładów, gdzie sztuczna inteligencja wygląda albo wyglądała bardzo słabo to rozumienie relacji. Prosty przykład. Jest stół gdzie stoi szklanka wody, kubek i talerz. Każdy z nich ma położenie, materiał z którego zbudowany i kształ.
Załóżmy talerz stoi za kubkiem. Jeżeli zapytam dziecko które ma kilka lat lub mniej: “Co jest za kubkiem?”. Odpowie będzie - . talerz. Dla nas to zadanie brzmi absurdalnie proste, ale jest bardzo trudne dla maszyny. Rozumienie, takich rzeczy przez maszyny jest koniecznie dla zbudowanie mocnej sztucznej inteligencji i dlatego między innymi DeepMind pracuję nad tym. Mateusz, to jeden z naukowców który pracuje nad tym problem. Zapytałem go czy nadal to jest wyzwaniem i jakie są postępy. Mateusz powiedział:
"Można powiedzieć, że było wyzwaniem. W celu takiego relacyjnego wnioskowania przez maszyny, stworzyliśmy moduł, który nazwaliśmy Relation Networks. Jest to sieć neuronowa, która rozważa dwa obiekty na obrazie, porównuje te obiekty ze sobą za pomocą kilku warstwowej sieci neuronowej, a następnie agreguje wszystkie te reprezentacje takich par w celu stworzenia jednej reprezentacji globalnej całego obrazu. Za pomocą tak zbudowanej sieci neuronowej otrzymaliśmy wyniki, które są w zasadzie lepsze niż ludzkie odpowiedzi..."
Więcej o tym i innych tematach dowiesz się w naszej rozmowie.
http://biznesmysli.pl/13
Information
Author | Vladimir Alekseichenko |
Organization | Vladimir |
Website | - |
Tags |
Copyright 2024 - Spreaker Inc. an iHeartMedia Company