«Расширенное распознавание изображений с помощью компьютеров — это результат большой и очень сложной работы. Вы должны имитировать то, как человеческий мозг отличает важную информацию от неважной», — говорит Эйрик Торснес из Uni Research в Бергене, Норвегия.
Торснес возглавляет группу в центре анализа больших данных компании, которая разрабатывает стратегии использования больших данных в исследовательских и коммерческих целях. Центр также работает над развитием передовых вычислительных мощностей, которые работают так же сложно, как человеческий мозг.
Во многих областях фантастические возможности человеческого мозга и методы работы будут и дальше превосходить компьютеры, но есть некоторые области, в которых компьютеры могут работать лучше.«В последние годы произошли огромные изменения, и теперь мы превосходим человеческий уровень с точки зрения распознавания и анализа изображений. В конце концов, компьютеры никогда не устают смотреть на почти идентичные изображения и могут замечать даже самые крошечные изображения. нюансы, которые мы, люди, не можем видеть. Кроме того, по мере того, как становится легче анализировать большие объемы изображений и видео, многие процессы в обществе можно улучшить и оптимизировать », — объясняет Торснес.
Признать, какие объекты важны. Торснес и его коллеги из Центра анализа больших данных предсказывают, что распознавание и анализ изображений будут приобретать все большее значение в таких областях, как здравоохранение, мониторинг окружающей среды, исследования морского дна и спутниковые снимки.Использование больших данных для анализа и распознавания изображений требует сочетания хорошего оборудования, алгоритмов (формул) и программного обеспечения, а также людей, которым удается распознать лучшие подходы.
«Потребность в такого рода технологиях будет только возрастать в ближайшие годы, но это не принцип« включай и работай ». Наши исследователи разработали специальные знания об обработке огромных объемов данных и, таким образом, о том, как можно идентифицировать важные знания», — говорит Торснес. .Исследователи из отдела Uni Research Computing разрабатывают компьютерные системы, которые учатся распознавать объекты и распознавать, какие объекты важны на изображении.Алла Сапронова — эксперт в области искусственного интеллекта, распознавания изображений и машинного обучения:«Я обучаю компьютеры так же, как мы обучаем детей. Я показываю компьютеру шаблоны входных сигналов и рассказываю ему, каким должен быть выходной сигнал. Я повторяю этот процесс до тех пор, пока система не начнет распознавать шаблоны.
Затем я показываю компьютеру входной сигнал, такой как изображение, которое он раньше не видел, и проверка того, понимает ли система, что это такое », — поясняет Сапронова.Например, на относительно простом уровне этот вид машинного обучения привел к созданию технологии распознавания улыбки для камер мобильных телефонов.Дети с аутизмом, проходящие музыкальную терапию. Более сложные области применения включают медицину с анализом внешних физических признаков болезни или выявлением положительных / отрицательных ситуаций по согласованию с терапевтом.
«Мы запустили пилотный проект с GAMUT по анализу видеозаписей детей-аутистов, проходящих музыкальную терапию. Обычно терапевту приходилось часами просматривать видеозаписи, чтобы определить точный момент, который лучше всего показывает состояние или прогресс пациента. Однако, если мы научим компьютер тому, что представляет собой интересный момент, он сможет находить и выбирать их, хотя на сегодняшний день компьютеры не могут их ранжировать.
Существует большой потенциал для дальнейшего развития в следующем проекте », — говорит Торснес.В другом проекте исследователи использовали общедоступную веб-камеру на Danmarksplass, самом оживленном перекрестке дорог Бергена, в качестве отправной точки, чтобы научить компьютеры регистрировать количество и типы транспортных средств, проезжающих через перекресток в течение дня.Это позволяет идентифицировать шаблоны трафика, которые затем можно использовать при планировании и принятии решений.
Кроме того, иногда качество воздуха на Данмарксплассе зимой очень низкое, и Торснес считает, что более качественное картографирование движения также может стать основой для улучшения состояния окружающей среды.Однако он считает, что в настоящее время анализ изображений имеет наибольший потенциал для повышения безопасности дорожного движения, что в основном сводится к мониторингу отдельных участков дорог или туннелей.
Компьютеры могут обнаруживать множество различных ситуаций, в том числе автомобили, движущиеся в неправильном направлении, пожар, брошенные автомобили, людей в туннелях и т. Д.«Также можно будет получить компьютеры для мониторинга склонов, подверженных оползням вдоль основных дорог, и научить компьютеры распознавать, какие изменения в ландшафте могут означать повышенный риск оползня», — говорит Торснес.Отслеживание случаев бегства с рыбоводных хозяйств Uni Research Computing и Центр анализа больших данных, возглавляемый директором по исследованиям Клаусом Йохансеном, также работали над проектом по составлению карты перемещений лосося и форели в устье реки. Эта работа была выполнена в сотрудничестве с другим отделом компании, Uni Research Environment.
«В устье реки была установлена камера, и компьютер был обучен записывать, какая рыба прошла, и была ли это дикая рыба или выращенная на ферме рыба. Таким образом, мы можем отслеживать случаи бегства от рыбы фермы, среди прочего », — говорит Торснес.Отчасти причина того, что технология обнаружения достигла таких успехов в последние годы, заключается в том, что Торснес называет новым открытием алгоритмов для искусственного интеллекта.
Потребности отрасли и некоторые старые добрые идеи искусственного интеллекта нашли друг друга в то же время, когда огромные вычислительные мощности и сложные графические процессоры из игровой индустрии стали доступны для использования в анализах.«Традиционно такие виды анализов выполняются людьми, которым приходится сидеть и часами смотреть видеозаписи, например медицинский анализ или движение в туннелях», — говорит Торснес.
Алгоритмы, которые пережили что-то вроде возрождения, произошли от того, что сейчас называется «глубоким обучением», потому что теперь у нас достаточно вычислительной мощности благодаря продвинутым процессорам и доступу к интересным материалам, чтобы иметь возможность обучать более продвинутым и «более глубоким» алгоритмам.