Die wichtigsten Ergebnisse des Artikels werden auf der NeurIPS 2021 (Konferenz über neuronale Informationsverarbeitungssysteme) vorgestellt und zeigen Verbesserungen in der Genauigkeit von KI-Modellen auf.
Die Entwicklung tiefer neuronaler Netze (DNNs) in den letzten Jahren hat zu einer wachsenden Zahl realer Anwendungen von KI- und Machine-Learning-Technologien beigetragen, darunter Aufgaben wie die Fehlererkennung in der Fertigungsindustrie und die diagnostische Bildgebung in der Medizin. Obwohl diese KI-Modelle mitunter eine Leistung erbringen, die der des Menschen ebenbürtig oder sogar überlegen ist, bestehen weiterhin Herausforderungen. Die Erkennungsgenauigkeit verschlechtert sich tendenziell, wenn sich Umgebungsbedingungen wie Beleuchtung und Perspektive deutlich von denen der im Trainingsprozess verwendeten Datensätze unterscheiden. Um dieses Problem zu lösen, haben Forscher von Fujitsu und CBMM gemeinsam das Verständnis von KI-Prinzipien verbessert, die eine hochpräzise Erkennung objektorientierter Daten (OOD) ermöglichen. Dazu unterteilten sie das DNN in Module – beispielsweise für Form und Farbe – und verfolgten einen einzigartigen Ansatz, der von menschlichen kognitiven Eigenschaften und der Gehirnstruktur inspiriert ist. Ein KI-Modell, das diesen Prozess nutzt, wurde in einer Evaluierung der Bilderkennungsgenauigkeit anhand des „CLEVR-CoGenT“-Benchmarks als das genaueste bewertet, wie die von der Gruppe auf der NeurIPS-Konferenz eingereichte Arbeit zeigt.
Dr. Seishi Okamoto, Fellow bei Fujitsu Limited, erklärte: „Seit 2019 forscht Fujitsu gemeinsam mit dem CBMM des MIT, um unser Verständnis der Informationsverarbeitung im menschlichen Gehirn zu vertiefen und intelligentes Verhalten zu generieren. Wir erforschen, wie sich diese Intelligenz als KI realisieren lässt und nutzen dieses Wissen, um Probleme in verschiedenen Branchen und der Gesellschaft insgesamt zu lösen. Dieser Erfolg ist ein bedeutender Meilenstein für die zukünftige Entwicklung der KI-Technologie und bietet potenziell ein neues Werkzeug zum Trainieren von Modellen, die flexibel auf unterschiedliche Situationen reagieren und selbst unbekannte Daten, die sich deutlich von den ursprünglichen Trainingsdaten unterscheiden, mit hoher Genauigkeit erkennen können. Wir freuen uns auf die spannenden praktischen Anwendungsmöglichkeiten, die sich dadurch eröffnen.“.
Dr. Tomaso Poggio, Eugene McDermott Professor am MIT Department für Hirn- und Kognitionswissenschaften und Direktor des Zentrums für Gehirn, Geist und Maschinen, merkte an: „Es besteht eine erhebliche Diskrepanz zwischen digitalen neuronalen Netzen (DNNs) und Menschen, wenn sie unter realen Bedingungen getestet werden. Dies beeinträchtigt KI-Anwendungen ernsthaft, insbesondere hinsichtlich ihrer Sicherheit und Fairness. Neurowissenschaftlich inspirierte Forschung kann zu neuen Technologien führen, die Verzerrungen in Datensätzen überwinden können. Die bisherigen Ergebnisse dieses Forschungsprogramms sind ein wichtiger Schritt in diese Richtung.“ Zukünftige Anwendungsgebiete könnten KI für die Verkehrsüberwachung umfassen, die auf veränderte Beobachtungsbedingungen reagieren kann, sowie KI für die medizinische Bilddiagnostik, die verschiedene Arten von Verletzungen präzise erkennen kann.
Über die neue Methode
Die Forschungsergebnisse unterstreichen, dass das menschliche Gehirn visuelle Informationen präzise erfassen und klassifizieren kann, selbst wenn sich die wahrgenommenen Objekte in Form und Farbe unterscheiden. Die neue Methode berechnet einen einzigartigen Index, der darauf basiert, wie ein Objekt von Neuronen wahrgenommen wird und wie das DNN die Eingangsbilder klassifiziert. Das Modell fördert die Erhöhung dieses Index, um die Erkennung objektorientierter Bilder (OODs) effektiver zu gestalten. Bisher ging man davon aus, dass die beste Methode zur Erstellung eines KI-Modells mit hoher Erkennungsgenauigkeit darin besteht, das DNN als ein einziges, ungeteiltes Modul zu trainieren. Durch die Aufteilung des DNN in separate Module anhand der Formen, Farben und anderer Attribute der Objekte mithilfe des neu entwickelten Index konnten Forscher von Fujitsu und CBMM jedoch eine höhere Erkennungsgenauigkeit erzielen.
Zukunftspläne
Fujitsu und CBMM hoffen, die Ergebnisse weiter zu verfeinern, um eine KI zu entwickeln, die in der Lage ist, flexible, menschenähnliche Urteile zu fällen, mit dem Ziel, sie in verschiedenen Bereichen wie der Fertigung und dem Gesundheitswesen anzuwenden.
