Door te leren afwijken van bekende informatie op dezelfde manier als mensen, een "verbeeldings"-algoritme voor kunstmatige intelligentie (AI) is in staat om voorheen onzichtbare objecten uit geschreven beschrijvingen te identificeren.

Het algoritme, ontwikkeld door KAUST-onderzoeker Mohamed Elhoseiny in samenwerking met Mohamed Elfeki van de University of Central Florida, maakt de weg vrij voor kunstmatige verbeelding en de geautomatiseerde classificatie van nieuwe plant- en diersoorten.

"Verbeelding is een van de belangrijkste eigenschappen van menselijke intelligentie die ons niet alleen in staat stelt om creatieve producten zoals kunst en muziek te genereren, maar ook om de visuele wereld te begrijpen, " legt Elhoseiny uit.

Kunstmatige intelligentie is afhankelijk van trainingsgegevens om het vermogen te ontwikkelen om objecten te herkennen en te reageren op de omgeving. Mensen ontwikkelen dit vermogen ook door opgedane ervaring, maar mensen kunnen iets wat AI niet kan. Ze kunnen intuïtief een waarschijnlijke classificatie afleiden voor een voorheen onontdekt object door zich voor te stellen hoe iets eruit moet zien uit een geschreven beschrijving of door gevolgtrekking uit iets dergelijks. bij AI, dit vermogen om het onbekende voor te stellen wordt steeds belangrijker naarmate de technologie wordt uitgerold in complexe real-world toepassingen waar misclassificatie of verkeerde herkenning van nieuwe objecten rampzalig kan blijken te zijn.

Ook belangrijk is de enorme hoeveelheid gegevens die nodig is om AI op betrouwbare wijze te trainen voor de echte wereld. Het is onhaalbaar om AI te trainen met afbeeldingen van zelfs maar een fractie van de bekende soorten planten en dieren in de wereld in al hun permutaties, laat staan ​​de talloze onontdekte of niet-geclassificeerde soorten.

Het onderzoek van Elhoseiny en Elfeki was gericht op het ontwikkelen van een zogenaamd zero-shot learning (ZSL) -algoritme om te helpen bij de herkenning van voorheen ongeziene categorieën op basis van beschrijvingen op klasniveau zonder trainingsvoorbeelden.

"We hebben het visuele leerproces voor 'ongeziene' categorieën gemodelleerd door ZSL te relateren aan menselijke creativiteit, observeren dat ZSL gaat over het herkennen van het ongeziene, terwijl creativiteit gaat over het creëren van een 'sympathiek ongezien, ', zegt Elhoseiny.

In creativiteit, iets nieuws maar aangenaam of "sympathiek" moet anders zijn dan eerdere kunst, maar niet zo verschillend dat het onherkenbaar is. Op dezelfde manier, Elhoseiny en Elfeki hebben zorgvuldig een leersignaal gemodelleerd dat op inductieve wijze afwijking van geziene klassen aanmoedigt, maar niet zo ver geduwd dat de ingebeelde klasse onrealistisch wordt en kennisoverdracht van geziene klassen verliest. Het resulterende algoritme toonde een consistente verbetering ten opzichte van de state-of-the-art benchmarks voor ZSL.

"Een van de mogelijke toepassingen van onze aanpak is het identificeren van onbekende soorten, ", zegt Elhoseiny. "AI die wordt aangedreven door deze technologie kan helpen bij het rapporteren van waarnemingen van soorten zonder foto's, alleen met taalbeschrijvingen."