Adakah data sintetik akan memacu masa depan latihan AI/ML?

Tidak dinafikan bahawa mengumpul data sebenar untuk melatih kecerdasan buatan atau pembelajaran mesin (AI/ML) memakan masa dan mahal. Dan, banyak kali ia penuh dengan risiko, tetapi masalah yang lebih biasa ialah terlalu sedikit data atau data berat sebelah boleh menyesatkan organisasi. Tetapi bagaimana jika anda boleh menjana data baharu, yang dipanggil data sintetik?

Kedengarannya tidak mungkin, tetapi itulah yang Synthesis AI merancang untuk meningkatkan daripada firma modal teroka termasuk 468 Capital, Sorenson Ventures, Strawberry Creek Ventures, Bee Partners, PJC, iRobot Ventures, Boom Capital dan Kubera Venture Capital of $17 juta dalam pembiayaan Siri A.

Ini adalah bukti yang sangat boleh dipercayai. Syarikat itu merancang untuk menggunakan pembiayaan untuk mengembangkan penyelidikan dan pembangunannya dalam bidang pencampuran data sebenar dan sintetik.

Yashar Behzadi, Ketua Pegawai Eksekutif Synthesis AI, berkata dalam satu kenyataan: "Data sintetik berada pada titik perubahan dalam penerimaan, dan matlamat kami adalah untuk membangunkan lagi teknologi dan memacu anjakan paradigma dalam cara sistem penglihatan komputer Dibina. Industri tidak lama lagi akan mereka bentuk dan melatih model penglihatan komputer sepenuhnya dalam dunia maya, membolehkan kecerdasan buatan yang lebih maju dan beretika.”

Tetapi apakah itu data sintetik?

Data sintetik dicipta oleh manusia dan bukannya dikumpulkan dari dunia nyata. Pada masa ini, banyak aplikasi menumpukan pada data visual, seperti data yang dikumpul daripada sistem penglihatan komputer. Namun, tiada sebab praktikal mengapa data sintetik tidak boleh dibuat untuk kes penggunaan lain, seperti menguji aplikasi atau memperbaik algoritma untuk mengesan penipuan. Mereka agak seperti kembar digital rekod fizikal yang sangat berstruktur.

Dengan menyediakan set data dunia nyata yang besar-besaran pada skala, saintis data dan penganalisis secara teori boleh melangkau proses pengumpulan data dan terus ke ujian atau latihan.

Ini kerana sebahagian besar kos untuk mencipta set data dunia sebenar melangkaui hanya mengumpul data mentah. Ambil penglihatan komputer dan kereta pandu sendiri sebagai contoh Pembuat dan penyelidik boleh melampirkan pelbagai kamera, radar dan penderia lidar pada kenderaan untuk mengumpulnya, tetapi data mentah tidak bermakna apa-apa kepada algoritma AI/ML. Cabaran yang sama menakutkan ialah menandai data secara manual dengan maklumat kontekstual untuk membantu sistem membuat keputusan yang lebih baik.

Mari kita lihat konteks cabaran ini: Bayangkan anda memandu jarak dekat dengan kerap, dengan semua papan tanda berhenti, persimpangan, kereta yang diletakkan, pejalan kaki, dsb., dan kemudian bayangkan bahawa, diberi Pelabelan setiap potensi bahaya adalah satu tugas yang sukar.

Kelebihan teras data sintetik ialah, secara teori, ia boleh mencipta set data berlabel sempurna yang cukup besar untuk melatih aplikasi AI/ML dengan betul, bermakna saintis data tiba-tiba boleh menguji algoritma mereka di sejumlah besar tempat baharu , dan kemudian hanya data dunia boleh benar-benar dilaksanakan atau dalam situasi di mana ia sukar diperoleh. Meneruskan contoh kereta pandu sendiri, saintis data boleh mencipta data sintetik untuk melatih kereta memandu dalam keadaan yang teruk, seperti jalan yang dilitupi salji, tanpa perlu menghantar pemandu ke utara atau ke pergunungan untuk mengumpul data secara manual.

Kelebihan teras data sintetik ialah ia secara teorinya boleh mencipta set data berlabel sempurna pada skala yang diperlukan untuk melatih aplikasi AI/ML dengan betul, bermakna saintis data boleh mencipta data sebelum data sebenar tersedia atau secara tiba-tiba menguji algoritma mereka di banyak tempat baharu apabila data sukar diperoleh. Masih dengan contoh kereta pandu sendiri, saintis data boleh mencipta data sintetik untuk melatih kereta memandu dalam keadaan buruk, seperti jalan yang dilitupi salji, tanpa perlu pemandu pergi ke utara atau ke pergunungan untuk mengumpul data secara manual.

Walau bagaimanapun, terdapat masalah ayam-dan-telur dengan data sintetik, kerana ia hanya boleh dibuat menggunakan... lebih banyak data dan lebih banyak algoritma AI/ML. Mulakan dengan set data "benih" dan kemudian gunakannya sebagai garis dasar untuk ciptaan sintetik anda, bermakna ia hanya akan sebaik data yang anda mulakan.

Faedah (Tidak Ketara)

Apakah saintis atau penyelidik data yang tidak akan mendapat manfaat daripada bekalan penjana data yang kelihatan tidak berkesudahan Manfaat teras – keupayaan untuk mengelak daripada mengumpul data dunia sebenar secara manual – hanya salah satu cara data sintetik boleh mempercepatkan aplikasi AI/ML.

Oleh kerana penganalisis dan saintis data boleh mengawal data benih dengan ketat dan juga membuat usaha tambahan untuk menggabungkan kepelbagaian, atau bekerjasama dengan perunding luar untuk mendedahkan dan menyahkod berat sebelah, mereka boleh mengekalkan standard yang lebih tinggi. Synthesis AI, sebagai contoh, sedang membangunkan sistem yang memantau status pemandu dan menyertakan wajah yang berbeza dengan teliti dalam set data sintetik yang dijana komputer mereka untuk memastikan aplikasi dunia sebenar berfungsi untuk semua orang.

Privasi ialah satu lagi potensi kemenangan. Jika syarikat menghabiskan berjuta-juta batu mengumpul data dunia sebenar untuk kereta pandu sendiri mereka, mereka mengumpul banyak data yang dianggap oleh ramai orang peribadi - terutamanya wajah mereka. Syarikat besar seperti Google dan Apple telah menemui cara untuk mengelakkan jenis masalah ini dalam perisian pemetaan mereka, tetapi laluan mereka tidak sesuai untuk pasukan AI/ML kecil yang ingin menguji algoritma mereka.

"Syarikat juga bergelut dengan isu etika yang berkaitan dengan berat sebelah model dan privasi pengguna dalam produk berpusatkan manusia Jelas sekali bahawa membina wawasan komputer generasi seterusnya memerlukan paradigma baharu," Ketua Pegawai Eksekutif dan pengasas syarikat Yashar Behzadi. ​berkata kepada media​​.

Walaupun data sintetik bergantung pada benih untuk bermula, ia boleh disesuaikan dan diubah suai untuk membantu melatih aplikasi AI/ML dalam kes tepi yang sukar atau berbahaya untuk ditangkap dalam kehidupan sebenar. Syarikat di sebalik kereta pandu sendiri berharap dapat mengenal pasti objek atau orang yang hanya sebahagiannya kelihatan, seperti tanda berhenti yang tersembunyi di belakang trak atau pejalan kaki yang berdiri di antara dua kereta yang melesat ke jalan raya.

Memandangkan kemenangan ini, dan walaupun terdapat kebimbangan mengenai masalah ayam-dan-telur pengekodan berat sebelah ke dalam data sintetik, Gartner​​meramalkan bahawa menjelang 2024​​ 60% daripada data yang digunakan untuk membangunkan AI dan produk analitik akan dihasilkan secara sintetik. Mereka meramalkan bahawa kebanyakan data baharu akan menumpukan pada membetulkan model ramalan apabila data sejarah yang menjadi asasnya kehilangan perkaitan atau andaian berdasarkan pengalaman lalu rosak.

Tetapi sentiasa ada keperluan untuk mengumpul beberapa data dunia sebenar, jadi kami masih jauh daripada ketinggalan sepenuhnya oleh avatar diri kami yang generik dan tidak berat sebelah.

Atas ialah kandungan terperinci Adakah data sintetik akan memacu masa depan latihan AI/ML?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!