Nyní se stroje AI učí chápat příběhy

Techniky umělé inteligence berou svět útokem. Minulý rok odhalil výzkumný tým společnosti Google DeepMind stroj, který se sám naučil hrát arkádové videohry . Začátkem tohoto roku předvedl tým čínských výzkumníků systém rozpoznávání tváří, který překonává lidi , a minulý týden prozradil čínský internetový gigant Baidu jediný systém rozpoznávání řeči schopný přepisovat angličtinu i mandarínskou čínštinu .

Umožnily to dva faktory. Prvním je lepší pochopení mnohovrstevných neuronových sítí a jejich vyladění pro konkrétní úkoly. Druhým je vytvoření rozsáhlých databází nezbytných pro trénování těchto sítí.

Tyto databáze jsou nesmírně důležité. Například pro rozpoznání obličeje potřebuje neuronová síť vidět mnoho tisíc reálných obrázků, na kterých jsou jasně označeny obličeje ze všech úhlů, někdy i zakryté. To vyžaduje mnoho hodin lidských poznámek, ale to je nyní možné díky technikám crowdsourcingu a webovým službám, jako je Amazon’s Mechanical Turk.

Rychlý pokrok v této oblasti znamená, že velká část nízko visícího ovoce se rychle čistí – rozpoznávání obličejů, rozpoznávání objektů, rozpoznávání řeči a tak dále. Je však mnohem těžší vytvořit databáze pro složitější úlohy uvažování, jako je porozumění příběhům.

Dnes se to začíná měnit díky práci Makaranda Tapaswiho na Karlsruhe Institute of Technology v Německu a několika kamarádům, kteří dali dohromady databázi filmů, které by měly sloužit jako testovací aréna pro stroje na hluboké učení a jejich schopnosti uvažovat. o povídkách.

Klíčovým poznatkem jejich projektu je, že schopnost odpovídat na otázky týkající se příběhu nebo filmu je důležitým ukazatelem toho, zda byl nebo nebyl pochopen. Cílem výzkumu je tedy vytvořit kvízy s více možnostmi výběru o filmech, které se skládají ze sady otázek spolu s několika proveditelnými odpověďmi, z nichž pouze jedna je správná.

Jejich přístup je přímočarý. Tapaswi a spol. začínají shromažďováním synopsů z Wikipedie pro přibližně 300 filmů. Ty se v detailech liší od jediného odstavce až po více než 20 odstavců.

Spojují to se samotným filmem, což je značné množství dat. Průměrný film je asi dvě hodiny dlouhý a má přes 198 tisíc snímků a téměř 2 000 snímků, říkají.

Filmy názorně ukazují informace, které dokážou odpovědět na otázky typu Kdo komu co udělal? Ne vždy však obsahují informace, které by odpovídaly na otázky, proč se věci dějí, k čemuž je někdy nutná další znalost světa.

Tapaswi a spol. tedy také shromažďují informace z dalších databází. Například dolují popsaný videotext pro nevidomé lidi, který je navržen tak, aby obsahoval dostatek informací, aby pochopili, co se děje, aniž by to viděli; a také těží původní filmové scénáře, které jsou často užitečné, i když je režiséři ne vždy přesně dodržují.

Tým poté požádal lidské anotátory, aby si vybrali číst synopse pro každý film. Ke každému přečtenému odstavci pak museli formulovat řadu otázek spolu s odpovědí. V průměru napsali anotátoři pět otázek na odstavec. Měli také zvýraznit část textu, která poskytovala odpověď na každou otázku.

Nakonec Tapaswi a spol. požádali anotátory, aby si přečetli každou otázku a odpověď a přišli se čtyřmi špatnými odpověďmi, aby vytvořili kvíz s více možnostmi. Výsledná databáze obsahuje přes 7 000 otázek o 300 filmech.

Otázky spadají do několika kategorií. Zde je několik příkladů (hádejte filmy, pokud můžete):

Jméno osoby (kdo)
Koho přitahuje Epps?
Jaká je přezdívka Jeffa Lebowského?

zdůvodnění (proč)
Proč si Arwen přeje zůstat ve Středozemi?
Proč se Bruce bojí netopýrů?

Abstrakt (co)
Jakou sílu obsahuje zelená esence?
Jak bylo vysvětleno při jednání, co bylo hlavní příčinou nehody?

Důvod: akce (jak)
Jak Kale tráví dobu, kdy poprvé nastoupí trest domácího vězení?
Jak Hal porazí Parallax?

místo (kde)
Jak se jmenuje tělocvična, kde je CD zanecháno?
Kam vede Aragorn Společenstvo?

Akce (co)
Co udělá WALL-E, když si myslí, že se EVE vypnula?
Co dělají Jane a Kevin rok po setkání?

Předmět/věc (co)
Co skupina najde v jeskyni trollů?
Co zničí muži, kteří přepadnou Dudea v jeho domě?

Typ osoby (co)
Kdo je Daniel Cleaver?
Jaké je povolání Rachel Dawes?

Ano/Ne (je, dělá)
Přijímá Madeleine peníze za svou práci pro Arthura Casea?
Je nejstarší syn Faramira Denethora?

Kauzalita (co se stane)
Co udělá Mark poté, co ho Bridget navštíví a požádá ho o odpuštění?
Co se stane během Mileyina rande s Travisem?

Ty jsou relativně jednoduché pro lidi, kteří sledovali film. Ale tito lidé testují databázi na několika jednoduchých strojových strategiích odpovědí na otázky, aby zjistili, jak dobře se jim daří. Žádný z nich si nevede zvlášť dobře, ale smyslem je samozřejmě pomoci vycvičit budoucí generace těchto strojů, které budou pravděpodobně lepší.

To je velký dotaz. Jedním zajímavým bodem je, že hluboké neuronové sítě potřebují velké databáze, které jim pomohou učit se. A čím je úkol složitější, tím větší databáze musí být.

Důležitou otázkou tedy je, jak velká musí být databáze, aby bylo možné trénovat algoritmus hlubokého učení, který odpovídá na otázku o filmech. Na to je těžké odpovědět, byť v rámci řádu.

Významným cílem tedy bude zjistit, zda je tato databáze dostatečně velká na to, aby pomohla omezit moderní stroje AI, když se učí dělat tento úkol. To je něco, co Tapaswi a spol brzy zjistí.

Databázi zatím zpřístupňují online v novém roce na adrese: http://movieqa.cs.toronto.edu/home/ . Pokud výzkum AI nevyjde, měl by být užitečný alespoň pro hospodské kvízy.

Ref: http://arxiv.org/abs/1512.02902 : MovieQA: Porozumění příběhům ve filmech prostřednictvím otázek a odpovědí

skrýt