Sommario
Un gruppo di ricercatori della Penn State University ha sviluppato un metodo innovativo che potrebbe rivoluzionare l’addestramento dei modelli di visione artificiale e lo studio si basa sull’ipotesi che l’apprendimento visivo dei bambini dipenda dalla percezione spaziale, suggerendo che replicare queste esperienze possa migliorare significativamente le prestazioni degli algoritmi di intelligenza artificiale (IA).
Creazione di Ambienti Virtuali per l’Addestramento
Per testare la loro ipotesi, i ricercatori hanno utilizzato la piattaforma ThreeDWorld, un ambiente di simulazione fisica 3D ad alta fedeltà e interattivo. Questo ha permesso di manipolare e misurare la posizione delle telecamere di visione come se un bambino stesse camminando attraverso una casa. Sono stati creati tre ambienti di simulazione: House14K, House100K e Apartment14K, dove ’14K’ e ‘100K’ si riferiscono al numero approssimativo di immagini campionate in ciascun ambiente.
Miglioramenti nei Modelli di Apprendimento
Gli scienziati hanno eseguito modelli di apprendimento contrastivo di base e modelli con il nuovo algoritmo attraverso le simulazioni tre volte per valutare la loro capacità di classificare le immagini. I risultati hanno mostrato che i modelli addestrati con il nuovo algoritmo hanno superato i modelli di base in una varietà di compiti. Ad esempio, in un compito di riconoscimento delle stanze nell’appartamento virtuale, il modello migliorato ha ottenuto una precisione media del 99,35%, un miglioramento del 14,99% rispetto al modello di base. Questi nuovi dataset sono disponibili per altri scienziati attraverso www.child-view.com.
Implicazioni per lo Sviluppo Futuro dell’IA
Secondo i ricercatori, questo approccio rappresenta uno dei primi tentativi di addestramento dell’IA più efficiente dal punto di vista energetico e flessibile utilizzando contenuti visivi. James Wang, professore di scienze dell’informazione e tecnologia e consulente del ricercatore Zhu, ha sottolineato che il lavoro potrebbe avere implicazioni significative per lo sviluppo futuro di sistemi avanzati di IA progettati per navigare e apprendere in nuovi ambienti.
Wang ha affermato che questo metodo sarebbe particolarmente utile in situazioni in cui una squadra di robot autonomi con risorse limitate deve imparare a navigare in un ambiente completamente sconosciuto. Per prepararsi a future applicazioni, il team di ricerca prevede di perfezionare il modello per sfruttare meglio le informazioni spaziali e incorporare ambienti più diversificati.
Collaborazioni e Supporto
Lo studio ha visto la collaborazione dei dipartimenti di Psicologia e di Ingegneria Informatica della Penn State University ed è stato supportato dalla National Science Foundation degli Stati Uniti e dall’Institute for Computational and Data Sciences della Penn State.
