Umjetna inteligencija koristi opasne "prečace" u vizualnom prepoznavanju objekata
Ni najpametnija umjetna inteligencija ne može se mjeriti s ljudskom vizualnom obradom, otkriva istraživanje kanadskog Sveučilišta York

Duboke konvolucijske neuronske mreže (DCNN) ne promatraju stvari na isti način kao ljudi, a to bi moglo biti štetno u primjeni umjetne inteligencije u stvarnom svijetu, tvrde istraživači Sveučilišta York iz Toronta u radu koji objavljuje časopis iScience.
Vizualni podražaji
Modeli dubokog učenja jednostavno ne uspijevaju uhvatiti konfigurativnu prirodu percepcije, zaključili su profesor James Elder s katedre za istraživanje ljudskog i računalnog vida i direktor Centra za umjetnu inteligenciju i društvo te Nicholas Baker, profesor psihologije s koledža Loyola.
Elder i Baker istraživali su kako ljudski mozak i DCNN-ovi percipiraju holistička, konfigurirana svojstva objekata i pritom se koristili vizualnim podražajima poznatim kao "Frankensteini". Riječ je o predmetima koji su rastavljeni i ponovno sastavljeni na pogrešan način. Zbog toga ti predmeti imaju ispravna lokalna obilježja, ali na pogrešnim mjestima.
Korištenje prečaca
Istraživači su otkrili da Frankensteini zbunjuju ljudski vizualni sustav, DCNN-ovi ostaju neosjetljivi na svojstva konfiguriranih objekata.
"Naši rezultati objašnjavaju zašto duboki UI modeli ne uspijevaju pod određenim uvjetima i ukazuju na potrebu razmatranja zadataka izvan prepoznavanja objekata kako bismo razumjeli vizualnu obradu u mozgu", kaže Elder.
Ovi duboki modeli imaju tendenciju koristiti "prečace" pri rješavanju složenih zadataka prepoznavanja. Ti prečaci najčešće funkcioniraju ali, upozoravaju istraživači, mogu biti opasni u nekim stvarnim primjenama umjetne inteligencije. Takav je, naprimjer, slučaj s prometnim video sigurnosnim sustavima:
Osposobljavanje mreža
"Objekti u prometu - vozila, bicikli i pješaci - ometaju jedni druge i ulaze u oči vozača kao gomila nepovezanih fragmenata", objašnjava Elder. “Mozak mora ispravno grupirati te fragmente kako bi identificirao točne kategorije i lokacije objekata. Sustav umjetne inteligencije za nadzor sigurnosti u prometu koji je u stanju percipirati samo pojedinačne fragmente neće uspjeti u ovom zadatku."
Prema istraživačima, izmjene u obuci i arhitekturi usmjerene na to da mreže budu sličnije mozgu nisu dovele do konfiguracijske obrade, a nijedna mreža nije mogla točno procijeniti objekte. Kako bi odgovarale osjetljivosti koju može konfigurirati čovjek, kažu istraživači, mreže bi morale biti osposobljene za rješavanje šireg spektra zadataka.