Onderzoekers hebben ontdekt dat wanneer neurale netwerken met verschillende trainingslabels worden vergeleken, ze beter presteren.
Binaire taal is compact en nauwkeurig vooroverdracht van informatie. De gesproken menselijke taal is daarentegen meer tonaal en analoog. Omdat getallen een efficiënte manier zijn om gegevens te digitaliseren, gebruiken programmeurs zelden andere soorten invoer bij het ontwerpen van een neuraal netwerk.
Een van de meest voorkomende oefeningen voorhet testen van een nieuwe machine learning-methode: AI leren objecten of dieren op een foto te herkennen. De auteurs van het nieuwe werk voerden een experiment uit: ze creëerden twee nieuwe neurale netwerken die tien verschillende soorten objecten moesten herkennen in een verzameling van 50.000 foto's.
Het eerste AI-systeem werd op de traditionele manier getraind: het werd geladen met een gegevenstabel van duizenden rijen, die elk correspondeerden met één trainingsfoto.
En de auteurs laadden de tabel in het tweede systeemgegevens, waarvan de rijen een foto van een dier of object bevatten, en in de tweede kolom stond een audiobestand waarin een persoon de naam van het object of dier uitspreekt.
Als gevolg hiervan produceerde het eerste neurale netwerk digitaalde betekenis van het object dat haar werd getoond, en de tweede probeerde te 'vertellen' wat ze zag. Beide algoritmen voerden de taak even efficiënt uit en beantwoordden in 92% van de gevallen correct, merken de auteurs op.
De resultaten van het experiment veranderden echter toenwetenschappers hebben de steekproef teruggebracht van 50 duizend naar 2,5 duizend. Vervolgens daalde de juistheid van de antwoorden van de eerste AI tot 35%, en voor de tweede, die met stem werd getraind, daalde deze tot slechts 70%.
Lees verder:
Onderzoekers stortten zich voor het eerst naar het diepste gezonken schip
De eerste nauwkeurige kaart van de wereld is gemaakt. Wat is er mis met de rest?
Er is een draadloos systeem verschenen dat verlamming helpt