|
Удалось обмануть компьютер с помощью оптических иллюзий
|
|
|
|
Люди всё больше привыкают к тому, что компьютеры способны распознавать вещи вокруг (например, на простейшие логические операции способны даже приложения на смартфонах) и каким бы то ни было образом использовать эту информацию (например, выделить лицо разыскиваемого из толпы). Однако исследователи решили показать, что мы переоцениваем способности компьютерных систем.
|
|
|
|
Трое исследователей, работающих под руководством Джеффа Клюна (Jeff Clune) из Вайомингского университета в Ларами, показали, что нейронные сети глубинного обучения (DNN) можно обмануть с помощью оптических иллюзий. Их можно заставить решить, что анализируемое изображение может быть распознано людьми, хотя на самом деле это не так.
|
 |
|
Нейронные сети глубинного обучения распознают изображения, анализируя множество изображений подобного типа (тысячи или миллионы лиц, например). Для этого задействуется алгоритм обучения, который позволяет обнаружить закономерности между частями информации в изображении и определить отдельные аспекты различных объектов. После прохождения определённых уровней в обучении, DNN может очень точно определить, какой объект "видит", за исключением очень редких обстоятельств.
|
|
|
|
Чтобы выяснить, что это за редкие обстоятельства, исследователи подключили известную систему искусственного интеллекта под названием AlexNet к системе, которая также включала алгоритмы, сравнивающие снимки с помощью основных элементов. Команда ожидала, что программа выдаст исключительно чёткие изображения объектов, которые любой человек способен опознать мгновенно. Но вместо этого в большинстве случаев результат был сильно искажён – например, AlexNet определила, что на изображениях, выглядящих для людей, как помехи на старом телевизоре или произведения абстрактного искусства, запечатлены какие-то вещи (львы, гепарды, павлины, кофейные чашки). Причём алгоритм был уверен в результате на 99%.
|
|
|
|
Причина этого очевидного недостатка DNN заключается в том, что алгоритм основывает свои решения на частях изображения. Человек же видит картинку в целом и по ряду её особенностей (форма, цвет, текстура и так далее) делает вывод, что он видит. Ошибка происходит, если алгоритмы, воссоздающие изображения, определяют и добавляют все искомые элементы, но не в логическом порядке.
|
|
|
|
Стоит отметить, что обмануть можно и человеческий мозг. Не зря же люди видят в оптической иллюзии то, чего на самом деле нет. Теперь учёные из США хотят научить DNN быть более безошибочными в своих решениях.
|
|
|
|
Важно отметить, что данное исследование было проведено не только ради мимолётного интереса. Нейронные сети глубинного обучения используются в различных приложениях вокруг нас, например, в автопилотируемых автомобилях. В частности, система распознавания препятствий может идентифицировать туман или дым на дороге как объект или даже пешехода. Меж тем попытка предотвращения столкновения с несуществующим объектом может привести к серьёзной аварии. Потенциальный преступник может создать проблемы на дороге, заставив программу неправильно понять тот или иной знак. Кроме того, он может скрыть своё истинное лицо.
|
|
|
|
http://www.vesti.ru/doc.html?id=2202395
|
