Inteligência Artificial

Um novo algoritmo de reconhecimento de imagem usa a maneira como os humanos veem as coisas em busca de inspiração

Quando os humanos olham para uma nova imagem de algo, identificamos o que é baseado em uma coleção de recursos reconhecíveis. Podemos identificar as espécies de um pássaro, por exemplo, pelo contorno do bico, pelas cores da pluma e pela forma dos pés.

Uma rede neural, no entanto, simplesmente procura padrões de pixels em toda a imagem sem discriminar entre o pássaro real e seu fundo. Isso torna a rede neural mais vulnerável a erros e dificulta o diagnóstico dos humanos.

Em vez de treinar a rede neural em imagens completas de pássaros, pesquisadores da Duke University e do MIT Lincoln Laboratory a treinaram para reconhecer as diferentes características: o formato do bico e da cabeça de todas as espécies e a coloração de suas penas.

Apresentado com uma nova imagem de um pássaro, o algoritmo pesquisa esses recursos reconhecíveis e faz previsões sobre a quais espécies eles pertencem. Ele usa a evidência cumulativa para tomar uma decisão final.

Para uma imagem de um pica-pau de barriga vermelha, o algoritmo pode encontrar dois recursos reconhecíveis nos quais ele foi treinado: o padrão em preto e branco de suas penas e a coloração vermelha de sua cabeça.

A primeira característica poderia combinar com duas espécies possíveis de aves: o pica-pau de barriga vermelha ou de barba vermelha. Mas o segundo recurso combinaria melhor com o primeiro.

A partir das duas evidências, o algoritmo argumenta que a imagem é mais provável da primeira. Em seguida, exibe as imagens dos recursos encontrados para explicar a um ser humano como chegou a sua decisão.

Para que os algoritmos de reconhecimento de imagem sejam mais úteis em ambientes de alto risco, como hospitais, onde podem ajudar um médico a classificar um tumor, eles precisam ser capazes de explicar como chegaram à sua conclusão em um ambiente humano de maneira compreensível.

Não só é importante que os humanos confiem neles, mas também ajuda os seres humanos a identificar mais facilmente quando a lógica está errada.

Por meio de testes, os pesquisadores também demonstraram que a incorporação dessa interpretabilidade em seu algoritmo não prejudicou sua precisão.

Tanto na tarefa de identificação de espécies de aves quanto na de modelo de carro, eles descobriram que seu método se aproximava e em alguns casos excedia dos resultados mais avançados alcançados por algoritmos não interpretáveis.

Livros sobre I.A

o-algoritmo-mestre

O Algoritmo Mestre: Como a Busca Pelo Algo...

stoploss-com-inteligencia-artificial

StopLoss com Inteligência Artificial: Estr...

inteligencia artificial por ben coppin

Inteligência Artificial – Técnicas, ...

logia-fuzzy

A Inteligencia Artificial (Lógica Fuzzy) p...

quando-robos-decidem-por-nos

Quando robôs decidem por nós: Inteligência...

inteligencia-nao-estruturada-inteligencia-artificial

Inteligência não estruturada: a Inteligênc...

inteligencia-artificial-seo-marketing

Inteligência Artificial, Seo e o Marketing...

inteligencia-artificial-forte

Inteligência Artificial Forte: Como fazer ...

Cursos de I.A

curso robôs im inteligência artificial facebook

ROBOS.im – Plataforma para criação d...

instarise

Instarise – Inteligência artificial ...

curso online robotica automacao residencial

Curso de Robótica e Automação Residencial

comandar-casa-por-voz-internet-das-coisas

Manual para Comandar sua Casa por Voz a Ba...

336x280_profissionais-do-futuro_seq2

Profissional do Futuro – Inteligênci...

internet-das-coisas-curso

Internet das Coisas – Uma visão ampl...

talia sistema inteligencia artificial advogados

Talia – Inteligência Artificial para...

Tudo Sobre IoT curso online

Tudo Sobre IoT – Internet das Coisas

/* ]]> */