Forskere har fundet ud af, at når neurale netværk med forskellige træningsmærker sammenlignes, yder de bedre.
Binært sprog er kompakt og nøjagtigt tiltransmission af information. I modsætning hertil er det menneskelige sprog mere tonalt og analogt. Fordi tal er en effektiv måde at digitalisere data på, bruger programmører sjældent andre typer input, når de designer et neuralt netværk.
En af de mest almindelige øvelser tiltest af en ny maskinlæringsmetode: lære AI at genkende objekter eller dyr på et fotografi. Forfatterne til det nye værk udførte et eksperiment: de skabte to nye neurale netværk, der skulle genkende ti forskellige typer objekter i en samling på 50 tusinde fotografier.
Det første AI-system blev trænet på traditionel vis: det blev indlæst med en datatabel med tusindvis af rækker, der hver svarede til ét træningsbillede.
Og forfatterne indlæste tabellen i det andet systemdata, hvis rækker indeholdt et fotografi af et dyr eller en genstand, og i anden kolonne var der en lydfil, hvor en person udtaler navnet på objektet eller dyret.
Som et resultat producerede det første neurale netværk digitaltbetydningen af den genstand, der blev vist hende, og den anden forsøgte at "fortælle" hvad hun så. Begge algoritmer klarede opgaven lige effektivt og svarede korrekt i 92 % af tilfældene, bemærker forfatterne.
Resultaterne af eksperimentet ændrede sig dog hvornårforskere reducerede stikprøven fra 50 tusind til 2,5 tusind. Derefter faldt rigtigheden af svarene for den første AI til 35 %, og for den anden, som blev trænet med stemmen, faldt den til kun 70 %.
Læs mere:
Forskere kastede for første gang ned til det dybeste sunkne skib
Det første nøjagtige kort over verden blev oprettet. Hvad er der galt med alle andre?
Der er opstået et trådløst system, der hjælper lammet