Колко черешки има на клона? За вас може да е лесно да кажете, но за изкуствения интелект се оказва изключително трудно да ги преброи, колкото и изненадващо да е това.
Днес изкуственият интелект може да описва изображения, да разпознава обекти и да обяснява сложни взаимоотношения. Така наречените модели на визуален език (VLM) комбинират разбирането на текст и изображения по впечатляващи начини. И все пак те се затрудняват с една привидно проста задача – броенето.
Изследователи от Института за информационни системи (iisys) към Университета по приложни науки Хоф сега работят по решаването на този проблем.
„Често срещани модели са много добри в разпознаването на това, което може да се види в изображението, но не и надеждно да определят колко обекта има“, обяснява проф. д-р Рене Пайнл. Грешките стават по-чести, когато има повече от четири или пет обекта от един и същи тип.
Защо броенето е толкова трудно за AI?
Проблемът е по-дълбок, отколкото може да изглежда на пръв поглед. Докато хората могат интуитивно да схващат малки количества, по-големите числа трябва да бъдат активно преброявани. Тази решаваща стъпка липсва в много модели на изкуствен интелект. Освен това съществуващите данни за обучение често са неподходящи.
„Някои набори от данни са твърде прости и само насърчават разпознаването от моделите – други са твърде сложни или погрешни, например поради закрити обекти или двусмислени въпроси“, казва директорът на института проф. д-р Пайнл. В резултат на това моделите са склонни да „гадаят“ или да разчитат на заучени очаквания – понякога давайки изненадващо неверни резултати.
За да се справи с този проблем по целенасочен начин, iisys разработи набора от данни SITUATE. Вместо да използват реални снимки, изследователите генерират изкуствени 3D сцени с ясно дефинирани свойства.
„Искахме да създадем среда, в която можем точно да контролираме какво се случва в изображението – и какво не“, казва проф. д-р Пайнл.
Тези сцени съдържат геометрични обекти като кубове, сфери или цилиндри, с ясно дефинирани позиции (напр. „вляво от масата“), което позволява целенасочени въпроси – например за цвят, количество или местоположение. Това създава среда за обучение, която не се основава на случайността, а е специално проектирана да развива определени способности.
Ключов аспект на проекта е как изкуственият интелект се учи да брои. В допълнение към простите отговори изследователите използват и подробни обяснения, в които изкуственият интелект описва стъпка по стъпка какво вижда и как брои. Например: „На масата има два обекта и три до нея – така че общо пет“.
Този така наречен „подход на верига от мисли“ се оказва ефективен – поне за по-големи числа.
„Виждаме, че моделите се подобряват значително при по-сложни задачи за броене чрез този структуриран подход“, казва проф. д-р Пайнл.
Методът обаче има и ограничения: за малки числа изкуственият интелект е склонен да „халюцинира“ допълнителни обекти, за да остане съвместим със собствените си разсъждения.
По-добри резултати – и нови изводи
Експериментите ясно показват, че моделите на изкуствен интелект, обучени със SITUATE, обобщават по-добре.
„Комбинацията от различни набори от данни дава най-добри резултати в нашите тестове. Но също така виждаме, че видът обучение силно влияе върху начина, по който изкуственият интелект мисли“, казва проф. д-р Пайнл.
Особено интересно, според него, е, че изкуственият интелект показва поведенчески модели, напомнящи човешки. Малките количества се разпознават бързо, докато по-големите изискват структурирани стратегии. В същото време става ясно, че AI често не развива истинска концепция за числата, а вместо това учи визуални модели.
