Môžu modely umelej inteligencie pomôcť pri navigácii cez oblasti (ulice), na ktorých sa nikdy predtým necvičilo, alebo pre ktoré nedostali dostatok tréningových údajov? To je to, čo vedcov z vývojového tímu umelej inteligencie DeepMind znepokojuje. A po mnohých rokoch inkubácie vedci konečne dosiahli úspech vo výskumnom projekte s názvom: „Cross-View Policy Learning for Street Navigation“, ktorý bol nedávno odhalený v článku publikovanom na Arxiv.org.
V tomto výskume vedci z DeepMind opisujú vývoj politiky AI vyškolenej z bohatého dátového skladu s mnohými uhlami (väčšinou obrázky nasnímané zhora nadol), zameraním sa na rôzne oblasti mesta, pre optimálnu efektivitu pozorovania. Vedci sa domnievajú, že takýto prístup by viedol k lepším výsledkom zovšeobecnenia.
Tento výskum je v podstate inšpirovaný skutočnosťou, že ľudia sa môžu rýchlo prispôsobiť usporiadaniu a základnej štruktúre nového mesta tým, že si mnohokrát dôkladne preštudujú mapu tohto mesta.
„Schopnosť navigácie z vizuálnych pozorovaní v neznámych prostrediach je základnou zložkou pri štúdiu schopnosti modelov AI naučiť sa navigáciu. Schopnosť modelov umelej inteligencie pohybovať sa po uliciach v prípadoch nedostatku tréningových dát bola doteraz relatívne obmedzená a spoliehanie sa na simulačné modely nie je riešením, ktoré by mohlo byť efektívne z dlhodobého hľadiska. Našou hlavnou myšlienkou je spárovať pozemný pohľad s pohľadom zo vzduchu a preskúmať spoločné zásady, ktoré môžu umožniť prepínanie medzi pohľadmi,“ povedal zástupca výskumného tímu.
Konkrétnejšie, prvý krok, ktorý budú musieť výskumníci urobiť, je zozbierať letecké mapy oblasti, po ktorej sa chcú pohybovať (v kombinácii s režimami pozorovania ulíc založenými na geografických súradniciach). Ďalej sa pustili do trojdielnej teleportačnej misie, počnúc tréningom na dátach a úpravou zdrojovej oblasti pomocou leteckých pozorovaní oblasti a končiac presunom do cieľovej oblasti pomocou pozemných pozorovaní.
Systém strojového učenia výskumného tímu obsahuje sadu 3 samostatných modulov vrátane:
Tento model strojového učenia bol nasadený v StreetAir – multiperspektívnom vonkajšom pouličnom prostredí – postavenom na StreetLearn. (StreetLearn je prvá interaktívna zbierka panoramatických fotografií extrahovaných z Google Street View a Google Maps).
V StreetAir a StreetLearn sú letecké snímky obsahujúce panoramatické pohľady na New York City (vrátane Downtown NYC a Midtown NYC) a Pittsburgh (kampusy Allegheny College a Carnegie Mellon University) usporiadané tak, že na každej zemepisnej šírke súradnice stupňov a zemepisných dĺžok sa prostredie vracia do vzduchu. obrázky vo veľkosti 84 x 84, rovnakej veľkosti ako obrázky zo zeme.
Systém umelej inteligencie po absolvovaní školenia bude mať za úlohu naučiť sa lokalizovať a navigovať v panoramatickom grafe Street View so súradnicami zemepisnej dĺžky a šírky cieľa.
Panorámy pokrývajú oblasti od 2 do 5 km na stranu, asi 10 m od seba, a vozidlám (riadeným AI) bude umožnené vykonať 1 z 5 akcií za otočenie: posunúť sa dopredu , odbočiť doľava alebo doprava o 22,5 stupňa alebo odbočiť doľava alebo doprava 67,5 stupňa.
Keď sa tieto vozidlá priblížia k cieľovému miestu na 100 – 200 metrov, získajú „odmeny“ na podporu rýchlej a presnej identifikácie a prejazdu križovatkami.
V experimentoch vozidlá, ktoré využívali letecké snímky na prispôsobenie sa novému prostrediu, dosiahli metriku odmeny 190 pri 100 miliónoch krokov a 280 pri 200 miliónoch krokov, obe výrazne vyššie v porovnaní s vozidlami využívajúcimi iba údaje z pozemného pozorovania (50 pri 100 miliónoch krokov a 200 pri 200 milión krokov). Výsledky podľa vedcov ukázali, že ich metóda výrazne zlepšuje schopnosť vozidiel efektívnejšie získavať poznatky o viacerých oblastiach cieľového mesta.
Poľovníci často lovia v noci, a preto sa na ich detekciu používajú infračervené kamery namontované na dronoch. Problém je, že keď pytliak aj zviera vyžarujú teplo, môže byť ťažké ich presne identifikovať.
Predstavte si, že odpovedáte na otázky zákazníkov, aj keď spíte. Tu je to, čo môžu bezplatné chatboty AI urobiť pre váš web.
V dôsledku starnutia a klesajúcej populácie Japonska v krajine chýba značný počet mladých pracovníkov, najmä v sektore služieb.
Character.AI, startup zameraný na generatívnu AI a technológiu chatbotov, údajne rokuje o získaní financií, ktoré by mohli oceniť spoločnosť na viac ako 5 miliárd dolárov.
Henry VIII je jednou z najklasickejších hier v histórii anglickej literatúry, ktorú napísali dvaja slávni autori William Shakespeare a John Fletcher v roku 1623.
YouTuber a inžinier z Brazílie menom Lucas Rizzotto sa nedávno na Twitteri podelili o príbeh, ako si uvedomil svojho imaginárneho priateľa – mikrovlnnú rúru v dome, používa AI, no získal „jeden z najdesivejších zážitkov“ svojho života.
Výskumníci zistili, že webové kamery a kamery smartfónov možno kombinovať so špecializovanými algoritmami AI, aby fungovali ako mimoriadne efektívne systémy vzdialeného monitorovania osobného zdravia.
Zdá sa, že moderný život má čoraz negatívny vplyv na medziľudské vzťahy.
Pomocou komplexnej architektúry neurónovej siete založenej na okrajových grafoch dokáže model umelej inteligencie Google Brain navrhnúť pôdorysy za zlomok času, ktorý zaberie človeku.
Python má veľa veľkých knižníc a rámcov, ktoré sú vhodné na písanie kódu a vývoj informatiky. Docs.NeoTechSystems vás pozýva na diskusiu o niektorých užitočných nástrojoch Pythonu pre aplikácie Machine Learning a Data Science.
