Fujitsu e il Center for Brains, Minds and Machines del MIT hanno sviluppato una tecnologia AI dal DNN in moduli separati che aumentano la precisione
Con il Center for Brains, Minds and Machines (CBMM) del MIT , Fujitsu Limited ha raggiunto un importante traguardo in un’iniziativa per migliorare l’accuratezza dei modelli di intelligenza artificiale (AI). Si è sempre pensato che addestrare il DNN come un singolo modulo senza dividerlo fosse il metodo migliore per creare un modello di intelligenza artificiale con un’elevata precisione di riconoscimento. Tuttavia, i ricercatori di Fujitsu e CBMM hanno ottenuto una maggiore precisione di riconoscimento suddividendo il DNN in moduli separati in base a colori, forme e altri attributi degli oggetti.
Oggi, molti modelli di intelligenza artificiale sono sufficientemente sviluppati da dimostrare prestazioni uguali o addirittura migliori di quelle umane, ma l’accuratezza del riconoscimento si deteriora quando le condizioni ambientali come la prospettiva e l’illuminazione differiscono significativamente da quelle dei set di dati. I ricercatori di Fujitsu e CBMM hanno compiuto progressi nella comprensione dei principi dell’AI che consentono il riconoscimento dei dati OOD con elevata precisione. Questo è stato fatto dividendo il DNN in moduli, che è un approccio unico ispirato alle caratteristiche cognitive della struttura del cervello umano .
Il dott. Tomaso Poggio, professore di Eugene McDermott presso il Dipartimento di scienze cerebrali e cognitive del MIT e direttore del Center for Brains, Minds and Machines, ha dichiarato: “C’è un divario significativo tra i DNN e gli esseri umani quando valutati fuori dalla distribuzione condizioni, che compromettono gravemente le applicazioni di IA, soprattutto in termini di sicurezza ed equità. La ricerca ispirata dalle neuroscienze può portare a nuove tecnologie in grado di superare i pregiudizi sui set di dati. I risultati finora ottenuti in questo programma di ricerca sono un buon passo in questa direzione”.
Un modello di intelligenza artificiale che utilizza questo processo è stato valutato come il più accurato in una valutazione che misura l’accuratezza del riconoscimento delle immagini rispetto al benchmark “CLEVR-CoGenT”.
Le possibili applicazioni future di questo modello possono includere l’intelligenza artificiale per il monitoraggio del traffico in quanto può rispondere meglio ai cambiamenti nelle varie condizioni di osservazione e un’intelligenza artificiale per immagini medico-diagnostiche in grado di riconoscere correttamente diversi tipi di lesioni.
I risultati della ricerca saranno presentati alla Conferenza sui sistemi di elaborazione delle informazioni neurali, NeurIPS 2021, mostrando miglioramenti nell’accuratezza dei modelli di intelligenza artificiale.
