Az emberek számára természetes, hogy a testbeszédük alapján megjósolják, hogy valaki mit fog tenni, de a számítógépek számára ez nem így van. Amikor találkozunk egy másik személlyel, lehet, hogy köszön, kezet ráz, vagy akár ökölbe szorítja a kezét. Lehet, hogy nem tudjuk, melyik gesztust fogja használni, de képesek vagyunk olvasni a helyzetet, és megfelelően tudunk reagálni.
A Columbia kutatói most egy olyan számítógépes látási technikát mutattak be, amely az emberek, állatok és tárgyak közötti magasabb szintű asszociációk kihasználásával intuitívabb érzéket ad a gépeknek arra, hogy mi fog történni.
"Algoritmusunk egy lépés afelé, hogy a gépek jobban meg tudják jósolni az emberi viselkedést, és így jobban össze tudják hangolni cselekedeteiket a miénkkel. Eredményeink számos lehetőséget nyitnak meg az ember-robot együttműködés, az autonóm járművek és a segédtechnológiák számára" - mondta Carl Vondrick, a Computer Vision and Pattern Recognition nemzetközi konferencián bemutatott tanulmányt vezetője.
A kutatók szerint ez az eddigi legpontosabb módszer a videós akcióesemények akár több perces távlatban történő előrejelzésére. Több ezer órányi film, sportjáték és tévéműsorok elemzése után a rendszer több száz tevékenységet tanul meg megjósolni, a kézfogástól az ökölcsapásig. Ha nem tudja megjósolni a konkrét cselekvést, akkor megtalálja a magasabb szintű fogalmat, amely összeköti őket, például az "üdvözlés" szót.
A prediktív gépi tanulással kapcsolatos korábbi kísérletek, beleértve a csapat által végzetteket is, egyszerre csak egy-egy cselekvés előrejelzésére összpontosítottak. Az algoritmusok eldöntik, hogy a cselekvést ölelésnek, pacsizásnak, kézfogásnak vagy akár olyan nem-cselekvésnek minősítik-e, mint a "figyelmen kívül hagyás". Amikor azonban nagy a bizonytalanság, a legtöbb gépi tanulási modell nem képes közös vonásokat találni a lehetséges opciók között.
Didac Suris és Ruoshi Liu, a Columbia kutatói úgy döntöttek, hogy más szemszögből vizsgálják meg a hosszabb távú előrejelzési problémát. "A jövőben nem minden kiszámítható. Amikor az ember nem tudja pontosan előre látni, hogy mi fog történni, akkor biztosra megy, és magasabb absztrakciós szinten jósol. A mi algoritmusunk az első, amely megtanulja ezt a képességet, hogy absztrakt módon gondolkodjon a jövőbeli eseményekről" - mondta Suris, a tanulmány társvezető szerzője.
A kutatók által kifejlesztett matematikai keretrendszer lehetővé teszi a gépek számára, hogy az eseményeket aszerint rendszerezzék, hogy mennyire kiszámíthatóak a jövőben. Tudjuk például, hogy az úszás és a futás egyaránt a testmozgás formája. Az új technika magától megtanulja, hogyan kell kategorizálni ezeket a tevékenységeket. A rendszer tisztában van a bizonytalansággal, és ha van bizonyosság, akkor specifikusabb cselekvéseket, ha pedig nincs, akkor általánosabb előrejelzéseket ad.
A technika közelebb viheti a számítógépeket ahhoz, hogy előre beprogramozott cselekvés helyett képesek legyenek felmérni egy helyzetet, és árnyalt döntést hozni. Ez egy kritikus lépés az emberek és a számítógépek közötti bizalom kiépítésében. A bizalom abból az érzésből fakad, hogy a robot valóban megérti az embert. Ha a gépek képesek megérteni és előre látni a viselkedésünket, a számítógépek képesek lesznek zökkenőmentesen segíteni az embereket a mindennapi tevékenységükben" - mondta Liu, a tanulmány társszerzője.
