Apple biedt een eerste glimp van zijn geheime AI-werk

Onderzoekers van het kunstmatige-intelligentieteam van Apple hebben de allereerste onderzoekspaper ooit van de iPhone-maker gepubliceerd, waarmee een einde komt aan het langdurige verbod van Apple dat bedrijfsgeheimen beschermde.

De paper beschrijft methoden voor het trainen van AI-algoritmen om afbeeldingen te herkennen. De onderzoekers van Apple onthullen dat ze hebben geprobeerd om zowel computergegenereerde afbeeldingen als afbeeldingen uit de echte wereld te gebruiken om te trainen voor algoritmen, maar elk heeft ernstige nadelen.

Enkele van de meest talentvolle wetenschappers ter wereld werken bij Apple, maar tot deze maand had het bedrijf nooit toegestaan ​​dat hun onderzoek werd gepubliceerd. De bevindingen van de onderzoekspaper zijn niet baanbrekend, maar het feit dat Apple zijn team toestaat zijn bevindingen te publiceren is enorm en zou het bedrijf kunnen helpen meer toptalent aan te trekken.

AI versus mensen

Het eerste artikel van Apple is getiteld "Leren van gesimuleerde en niet-gesuperviseerde afbeeldingen door middel van vijandige training". De team geeft aan hoe het gebruik van volledig gesimuleerde afbeeldingen om het algoritme te trainen veel sneller is dan het gebruik van door mensen gegenereerde afbeeldingen afbeeldingen. Dat komt omdat informatie over de door mensen gegenereerde afbeeldingen handmatig moet worden ingevoerd door een groot aantal medewerkers.

Het probleem met het gebruik van alleen door de computer gegenereerde afbeeldingen is echter dat wat het algoritme leert, niet altijd netjes wordt vertaald voor scènes uit het echte leven. Om de perfecte balans te vinden, raadt het team van Apple aan om zowel echte als computergegenereerde afbeeldingen te gebruiken.

“In dit artikel stellen we Simulated+Unsupervised (S+U) leren voor, waarbij het doel is om het realisme van synthetische afbeeldingen van een simulator te verbeteren met behulp van niet-gelabelde echte gegevens. Het verbeterde realisme maakt het mogelijk om betere machine learning-modellen op grote datasets te trainen zonder enige gegevensverzameling of menselijke annotatie-inspanningen.

We laten zien dat dit het genereren van zeer realistische beelden mogelijk maakt, die we zowel kwalitatief als met een gebruikersonderzoek aantonen.”

Het artikel werd op 22 december gepubliceerd en beschrijft ook de wiskunde die wordt gebruikt in het algoritme van Apple. Onderzoekers die in het artikel worden gecrediteerd, zijn onder meer Ashish Shrivastava, Tomas Pfister, Oncel Tuzel, Josh Susskind, Wenda Wang en Russ Webb.