Apple entra nel campo dell'AI presentando una propria ricerca
Il modello di machine learning proposto da Apple punta a combinare immagini generate da computer con immagini reali
Non è una sorpresa che anche Apple abbia deciso di puntare sull’intelligenza artificiale. In queste ultime ore però è arrivata qualche informazione in più sui futuri piani dell’azienda californiana. Apple, infatti, ha divulgato un articolo sulla visione computerizzata.
La ricerca, intitolata “Learning from Simulated and Unsupervised Images through Adversarial Training”, è stata pubblicata il 22 dicembre tramite la Cornell University Library. Per la prima volta, dunque, la casa con sede a Cupertino esce allo scoperto parlando apertamente dell’intelligenza artificiale. Il paper, che è stato scritto a metà novembre, descrive un approccio di machine learning basato sul riconoscimento di oggetti sintetici, vale a dire immagini che non provengono dal mondo reale, ma sono generate invece dagli stessi computer. Secondo lo studio, queste immagini sarebbero per le macchine più facili da interpretare.
Le immagini sintetiche
Rispetto alle tecniche tradizionali, il sistema proposto da Apple sarebbe dunque più efficace. Gli oggetti in sintesi, infatti, hanno delle “etichette” che aiutano le macchine a comprendere il contenuto delle immagini, mentre quelli reali, essendo sconosciuti all’algoritmo, richiedono l’intervento umano. Ma c’è un problema, come descrive lo studio dell’azienda californiana. Un approccio che punti a usare solo queste tecniche rischierebbe, infatti, di non “addestrare” correttamente le macchine proprio perché le immagini sintetiche non sono realistiche e i computer potrebbero avere delle difficoltà a riconoscere gli oggetti reali. Apple propone una soluzione: il Simulated+Unsupervised learning.
Cosa è il Simulated+Unsupervised learning
Il sistema di machine learning avanzato dalla società americana e proposto nella ricerca mette in relazione una serie di immagini reali senza etichette con delle immagini sintetiche. La tecnologia usa in gran parte il Generative Adversarial Networks (GANs) e sfrutta due reti neurali che sono una opposta all’altra. In pratica gli algoritmi generano delle immagini sintetiche che una volta migliorate vengono confrontate e sovrapposte con quelle reali.
