Hybride kunstmatige intelligentie (hierna AI genoemd) en een nieuwe reeks gegevens en benchmarks voor het beoordelen van de mogelijkheden van AI-algoritmen bij het redeneren over de acties in video-informatie werden gepresenteerd door onderzoekers van IBM, MIT, Harvard en DeepMind op de ICLR 2020-conferentie, meldt TheNextweb op 17 mei.
De nieuwe dataset en onderzoeksomgeving die op ICLR 2020 wordt gepresenteerd, wordt CoLlision Events for Video REpresentation and Reasoning of CLEVRER genoemd. Ze zijn gebaseerd op CLEVR, een visuele vraag- en antwoordset die in 2017 aan de Stanford University is ontwikkeld. CLEVR is een set taken die stilstaande beelden van vaste objecten vertegenwoordigen. De AI-agent moet de scène kunnen analyseren en verschillende vragen kunnen beantwoorden over het aantal objecten, hun attributen en hun ruimtelijke relaties.
Als oplossing voor een moeilijke taak voor klassieke AI, presenteerden de onderzoekers een model van neuro-symbolisch dynamisch denken, een combinatie van neurale netwerken en symbolische kunstmatige intelligentie.
De resultaten toonden aan dat het integreren van neurale netwerken en symbolische programma's in één AI-model hun sterke punten kan combineren en hun zwakke punten kan overwinnen. "Symbolische representatie biedt een krachtig gemeenschappelijk kader voor visie, taal, dynamiek en causaliteit", merken de auteurs op, eraan toevoegend dat symbolische programma's het model in staat stellen "duidelijk de compositorische eigenschappen vast te leggen die ten grondslag liggen aan de causale structuur van de video en de logica van de vraag".
De voordelen van dergelijke systemen worden beperkt door onvoorwaardelijke nadelen. De gegevens die worden gebruikt om het model te trainen, vereisen extra annotaties, die te veel energie verbruiken en te duur zijn in echte toepassingen.
