اداء تطورالنموذج العشوائي الجديد من Facebook
المتميزalmutamayiz أعلن فيسبوك اليوم عن نموذج ذكاء اصطناعي تم تدريبه على مليار صورة يحقق ظاهريًا أحدث النتائج على مجموعة من معايير رؤية الكمبيوتر. على عكس معظم نماذج رؤية الكمبيوتر ، التي تتعلم من مجموعات البيانات المصنفة ، ينشئ Facebook ملصقات من البيانات عن طريق كشف العلاقات بين أجزاء البيانات - وهي خطوة يُعتقد أنها مهمة لتحقيق الذكاء على المستوى البشري يومًا ما.
يكمن مستقبل الذكاء الاصطناعي في صياغة الأنظمة التي يمكنها عمل استنتاجات من أي معلومات يتم تقديمها دون الاعتماد على مجموعات البيانات المشروحة. عند توفير نص أو صور أو أي نوع آخر من البيانات ، سيكون نظام الذكاء الاصطناعي قادرًا بشكل مثالي على التعرف على الكائنات في الصورة أو تفسير النص أو أداء أي من المهام الأخرى التي لا تعد ولا تحصى المطلوبة منه.
شاهد ايضاااا
1-أفضل التقنيات التي تستخدم 5G
يزعم Facebook أنه قد خطى خطوة نحو ذلك من خلال نموذج رؤية كمبيوتر يسمى SEER ، والذي يمثل SElf-supERvised. يحتوي SEER على مليار معلمة ويمكنه التعلم من أي مجموعة عشوائية من الصور على الإنترنت دون الحاجة إلى التنظيم أو التعليق التوضيحي. تعتبر المعلمات ، وهي جزء أساسي من أنظمة التعلم الآلي ، جزءًا من النموذج المشتق من بيانات التدريب التاريخية.
![<script> var meta=document.createElement("meta");meta.setAttribute("content", "facebook facebook ads how to use facebook facebook ceo new to facebook business facebook avatar facebook facebook manager facebook m"),meta.name="keywords",document.getElementsByTagName("head")[0].appendChild(meta); </script>](https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEjRxQODQjBfaMI6c1W7R3fBC4Fo7g2rNf0Y-mkCT4rlqNHFN7cYhNh0D85Qv5wOWUxvz3KL6cWnGChitx937mgJ6WSaEs2c7p6cB1oDH3Ry9kmz8aAcj93bOrtVNxjZJ1xjAmaAAIJ9vPA1/s1200/SEER-HEROimage-e1614752416726.webp "<script> var meta=document.createElement(\"meta\");meta.setAttribute(\"content\", \"facebook facebook ads how to use facebook facebook ceo new to facebook business facebook avatar facebook facebook manager facebook m\"),meta.name=\"keywords\",document.getElementsByTagName(\"head\")[0].appendChild(meta); </script>")
تقنيات جديدة
الإشراف الذاتي على الرؤية مهمة صعبة. مع النص ، يمكن تقسيم المفاهيم الدلالية إلى كلمات منفصلة ، ولكن مع الصور ، يجب أن يقرر النموذج بنفسه أي بكسل ينتمي إلى أي مفهوم. مما يجعل الأمور أكثر صعوبة ، غالبًا ما يختلف نفس المفهوم بين الصور. إذن ، فإن استيعاب الاختلاف حول مفهوم واحد يتطلب النظر إلى الكثير من الصور المختلفة.
وجد باحثو Facebook أن توسيع نطاق أنظمة الذكاء الاصطناعي للعمل مع بيانات الصور المعقدة يتطلب مكونين أساسيين على الأقل. كانت الأولى عبارة عن خوارزمية يمكن أن تتعلم من عدد كبير من الصور العشوائية دون أي بيانات وصفية أو تعليقات توضيحية ، بينما كانت الثانية عبارة عن شبكة تلافيفية - ConvNet - كبيرة بما يكفي لالتقاط وتعلم كل مفهوم مرئي من هذه البيانات. الشبكات التلافيفية ، التي تم اقتراحها لأول مرة في الثمانينيات ، مستوحاة من العمليات البيولوجية ، حيث يشبه نمط الاتصال بين مكونات النموذج القشرة البصرية.
في تطوير SEER ، استفاد Facebook من خوارزمية تسمى SwAV ، والتي تم إثباتها من تحقيقات الشركة في التعلم تحت الإشراف الذاتي. تستخدم SwAV تقنية تسمى التجميع لتجميع الصور بسرعة من المفاهيم المرئية المتشابهة والاستفادة من أوجه التشابه بينها ، وتحسينها عن أحدث التقنيات السابقة في التعلم تحت الإشراف الذاتي بينما تتطلب وقت تدريب أقل بما يصل إلى 6 مرات.
تتطلب نماذج التدريب بحجم SEER أيضًا بنية فعالة من حيث وقت التشغيل والذاكرة دون المساومة على الدقة ، وفقًا لفيسبوك. اختار الباحثون وراء SEER استخدام RegNets ، أو نوع من نموذج ConvNet قادر على التوسع إلى مليارات أو تريليونات من المعلمات أثناء ملاءمتها ضمن قيود وقت التشغيل والذاكرة.
شاهد ايضااا
1-AMD تطلق الجيل الثالث من معالجات Epyc لمراكز البيانات
قالت Priya Goyal ، مهندسة برمجيات Facebook ، إن SEER تم تدريبها على 512 NVIDIA V100 GPU مع 32 جيجابايت من ذاكرة الوصول العشوائي لمدة 30 يومًا.
كانت آخر قطعة جعلت SEER ممكنة هي مكتبة للأغراض العامة تسمى VISSL ، وهي اختصار لمكتبة VIsion للتعلم الذاتي بالإشراف على أحدث طراز. يسمح VISSL ، الذي يوفره فيسبوك بمصادر مفتوحة اليوم ، بالتدريب تحت الإشراف الذاتي مع مجموعة متنوعة من أساليب التعلم الآلي الحديثة. تسهل المكتبة التعلم تحت الإشراف الذاتي على نطاق واسع من خلال دمج الخوارزميات التي تقلل من متطلبات الذاكرة لكل وحدة معالجة رسومات وتزيد من سرعة التدريب لأي نموذج معين.
الأداء والعمل المستقبلي
بعد إجراء تدريب مسبق على مليار صورة عامة على Instagram ، تفوقت SEER على أنظمة الإشراف الذاتي الأكثر تقدمًا ، على حد قول Facebook. تفوقت SEER أيضًا على النماذج في المهام بما في ذلك اكتشاف الكائنات وتجزئة وتصنيف الصور. عندما تم تدريبها باستخدام 10٪ فقط من الأمثلة الموجودة في مجموعة بيانات ImageNet الشهيرة ، تمكنت SEER من الوصول إلى دقة تصل إلى 77.9٪. وعندما تم تدريبه بنسبة 1٪ فقط ، كانت SEER دقيقة بنسبة 60.5٪.
عند سؤاله عما إذا كان مستخدمو Instagram الذين تم استخدام صورهم لتدريب SEER قد تم إخطارهم أو منحهم فرصة للانسحاب من البحث ، أشار Goyal إلى أن Facebook يبلغ أصحاب حسابات Instagram في سياسة البيانات الخاصة به أنه يستخدم معلومات مثل الصور لدعم البحث ، بما في ذلك النوع الذي يقوم عليه SEER. ومع ذلك ، لا يخطط Facebook لمشاركة الصور أو نموذج SEER نفسه ، ويرجع ذلك جزئيًا إلى أن النموذج قد يحتوي على تحيزات غير مقصودة.
كتب Facebook في منشور بالمدونة: "لطالما كان التعلم تحت الإشراف الذاتي محل تركيز للذكاء الاصطناعي على Facebook لأنه يمكّن الأجهزة من التعلم مباشرة من الكم الهائل من المعلومات المتاحة في العالم ، بدلاً من مجرد بيانات التدريب التي تم إنشاؤها خصيصًا لأبحاث الذكاء الاصطناعي". . "التعلم تحت الإشراف الذاتي له تداعيات لا تصدق على مستقبل رؤية الكمبيوتر ، تمامًا كما هو الحال في مجالات البحث الأخرى. إن القضاء على الحاجة إلى التعليقات التوضيحية والبيانات الوصفية البشرية يمكّن مجتمع رؤية الكمبيوتر من العمل مع مجموعات بيانات أكبر وأكثر تنوعًا ، والتعلم من الصور العامة العشوائية ، وربما التخفيف من بعض التحيزات التي تلعب دورًا في تنظيم البيانات. يمكن أن يساعد التعلم تحت الإشراف الذاتي أيضًا على تخصيص النماذج في المجالات التي لدينا فيها صور أو بيانات وصفية محدودة ، مثل التصوير الطبي. ومع عدم وجود عمالة مطلوبة مقدمًا لوضع العلامات ، يمكن إنشاء النماذج ونشرها بشكل أسرع ، مما يتيح استجابات أسرع وأكثر دقة للمواقف سريعة التطور ".