Fraktal dapat membantu AI belajar melihat dengan lebih jelas — atau setidaknya lebih adil

Sebagian besar sistem pengenalan gambar dilatih menggunakan database besar yang berisi jutaan foto objek sehari-hari, dari ular hingga getar hingga sepatu. Dengan eksposur berulang, AI belajar membedakan satu jenis objek dari yang lain. Sekarang para peneliti di Jepang telah menunjukkan bahwa AI dapat mulai belajar mengenali objek sehari-hari dengan "dilatih sebelumnya" terlebih dahulu pada fraktal yang dihasilkan komputer . Pendekatan ini menghindari beberapa masalah etika dengan kumpulan data yang dibuat dengan tangan. Masalah pelatihan: Pra-pelatihan adalah fase di mana AI mempelajari beberapa keterampilan dasar sebelum dilatih pada data yang lebih terspesialisasi. Misalnya, sistem untuk mendiagnosis pemindaian medis mungkin pertama-tama belajar mengidentifikasi fitur visual dasar, seperti bentuk dan garis besar, dengan dilatih sebelumnya pada database objek sehari-hari — seperti ImageNet , yang berisi lebih dari 14 juta foto. Kemudian akan disesuaikan dengan database gambar medis yang lebih kecil hingga dapat mengenali tanda-tanda penyakit yang tidak kentara. Masalahnya adalah, merakit kumpulan data seperti ImageNet dengan tangan membutuhkan banyak waktu dan tenaga. Gambar biasanya diberi label oleh crowdworkers bergaji rendah . Kumpulan data mungkin juga berisi label seksis atau rasis yang dapat membiaskan model dengan cara tersembunyi, serta gambar orang yang telah disertakan tanpa persetujuan mereka. Ada bukti bahwa bias ini dapat masuk bahkan dalam pra-pelatihan . Namun, pola fraktal dapat ditemukan dalam segala hal mulai dari pohon dan bunga hingga awan dan ombak. Hal ini membuat tim di Institut Nasional Sains dan Teknologi Industri Lanjutan (AIST) Jepang, Institut Teknologi Tokyo, dan Universitas Tokyo Denki bertanya-tanya apakah pola ini dapat digunakan untuk mengajarkan dasar-dasar pengenalan gambar pada sistem otomatis, daripada menggunakan foto. benda nyata. Para peneliti menciptakan FractalDB, sejumlah fraktal yang dihasilkan komputer. Beberapa terlihat seperti daun; yang lain terlihat seperti kepingan salju atau cangkang siput. Setiap kelompok dengan pola yang serupa secara otomatis diberi label. Mereka kemudian menggunakan FractalDB untuk melatih jaringan saraf konvolusional, sejenis model pembelajaran mendalam yang biasa digunakan dalam sistem pengenalan gambar, sebelum menyelesaikan pelatihannya dengan satu set gambar aktual. Mereka menemukan bahwa itu bekerja hampir sama dengan model yang dilatih pada kumpulan data canggih, termasuk ImageNet dan Places , yang berisi 2,5 juta gambar adegan luar ruangan. Apakah itu bekerja? Anh Nguyen dari Auburn University di Alabama, yang tidak terlibat dalam penelitian ini, tidak yakin bahwa FractalDB cocok untuk orang-orang seperti ImageNet. Dia telah mempelajari bagaimana pola abstrak dapat membingungkan sistem pengenalan gambar . “Ada hubungan antara pekerjaan ini dan contoh yang menipu mesin,” katanya. Dia ingin mengeksplorasi bagaimana pendekatan baru ini bekerja secara lebih rinci. Tetapi para peneliti Jepang berpikir bahwa dengan penyesuaian pada pendekatan mereka, kumpulan data yang dihasilkan komputer seperti FractalDB dapat menggantikan yang sudah ada. Mengapa fraktal: Para peneliti juga mencoba melatih AI mereka menggunakan gambar abstrak lainnya, termasuk yang diproduksi menggunakan Perlin noise , yang menciptakan pola berbintik, dan kurva Bezier , jenis kurva yang digunakan dalam grafik komputer. Tapi fraktal memberikan hasil terbaik. “Geometri fraktal ada di latar belakang pengetahuan dunia,” kata penulis utama Hirokatsu Kataoka di AIST.