חוקרים מאוניברסיטת בר-אילן חשפו כיצד למידת מכונה מסווגת תמונות בהצלחה, ומגלה שכל פילטר בארכיטקטורת למידה עמוקה מזהה ומעדן את הזיהוי של אשכולות תמונות דרך שכבות.
ארכיטקטורות בינה מלאכותיות נוכחיות יכולות לבצע בהצלחה משימות סיווג תמונות, תוך תחרות עם היכולות האנושיות. ובכל זאת מה המנגנון שעושה למידת מכונה כל כך מוצלח?
סיווג תמונות הוא משימה מורכבת שארכיטקטורות למידה עמוקה מבצעות בהצלחה. הארכיטקטורות העמוקות הללו מורכבות בדרך כלל משכבות רבות, כאשר כל שכבה מורכבת ממסננים רבים. ההבנה המקובלת היא שככל שהתמונה מתקדמת בשכבות מתגלות תכונות משופרות יותר, ותכונות של תכונות, של התמונה. עם זאת, התכונות והתכונות הללו של תכונות אינן ניתנות לכימות, ולכן האופן שבו למידת מכונה עובדת נותר בגדר חידה.
במאמר שפורסם לאחרונה ב דוחות מדעיים, חוקרים מאוניברסיטת בר-אילן חושפים את המנגנון העומד בבסיס למידת מכונה מוצלחת, המאפשר לה לבצע משימות סיווג בהצלחה מסחררת. "כל פילטר בעצם מזהה מקבץ קטן של תמונות וככל שהשכבות מתקדמות הזיהוי מתחדד. מצאנו דרך למדוד כמותית את הביצועים של מסנן בודד", אמר פרופ' עידו קנטר, מהמחלקה לפיזיקה ומרכז חקר המוח הרב-תחומי של גונדה (גולדשמיד) בבר-אילן, שהוביל את המחקר.
סרטון המתאר את המחקר. קרדיט: פרופ' עידו קנטר, אוניברסיטת בר-אילן
"התגלית הזו יכולה לסלול את הדרך להבנה טובה יותר של איך AI עובד", אמר דוקטורנט יובל מאיר, אחד התורמים המרכזיים לעבודה, והוסיף, "זה יכול לשפר את ההשהיה, השימוש בזיכרון והמורכבות של הארכיטקטורה מבלי להפחית באופן כללי. דיוק." בעוד שבינה מלאכותית הייתה בחזית ההתקדמות הטכנולוגית האחרונה, הבנה כיצד מכונות כאלה פועלות בפועל יכולה לפתוח את הדרך ל-AI מתקדם עוד יותר.
