نوآوری در مدیریت برای توسعه پایدار

Kolnegar Private Media (Management Innovation for Sustainable Development)

25 خرداد 1403 2:40 ق.ظ

بازنویسی قوانین هنر تولید شده توسط ماشین

Rewriting the rules of machine-generated art

توسط کیم مارتینو ، مؤسسه فناوری ماساچوست19 آگوست 2020

یک ابزار جدید ویرایش GAN که در MIT ایجاد شده است به کاربران این امکان را می دهد تا ویژگی هایی را از یک مجموعه عکس کپی کرده و آنها را در عکس دیگری بچسبانند و با ایجاد یک آرایه بی نهایت از تصاویر ی که بر روی یک موضوع جدید جالب است ایجاد کنند   . برای مثال آنچه که در عکس فوق نشان داده شده است  ، اسب هایی که کلاه روی سر خود دارند.

اسب ها معمولاً از کلاه استفاده نمی کنند و مدل های عمیق یا GAN ها معمولاً از قوانینی که توسط برنامه نویسان انسانی تنظیم شده است پیروی می کنند. اما ابزاری جدید که در MIT ایجاد شده است به هر کسی این امکان را می دهد که به یک GAN برود و مانند یک رمز گذار به این مدل بگوید ،  کلاه ها روی سر اسب هایی که خود ترسیم می کند قرار دهد.

محققان در مطالعه جدیدی که در این ماه در کنفرانس اروپایی در زمینه چشم انداز رایانه ای ظاهر شد ، نشان می دهند که لایه های عمیق شبکه های عصبی مانند بسیاری از کد ها قابل ویرایش هستند تا تصاویر غافلگیرانه ای را که تاکنون کسی آنها را ندیده است را ، ویرایش کنند.

دیوید باو ، نویسنده اصلی این مطالعه ، که دانشجوی ام ای تی است می گوید:GAN   ها هنرمندانی باورنکردنی هستند ، اما آنها فقط به تقلید از داده هایی که می بینند محدود هستند .  اینکه بتوانیم قوانین یک GAN را به طور مستقیم بازنویسی کنیم ، تنها درحد تخیل انسان است.

شبکه های متقابل مولد ، یا GAN ها ، دو شبکه عصبی را در مقابل یکدیگر قرار می دهند تا تصاویر و صداهای بیش از حد واقع بینانه ایجاد کنند. یک شبکه عصبی تولید کننده ، می آموزد که چهره هایی را که در عکس ها می بیند ، یا کلماتی را که می شنود تقلید کند. شبکه دوم ، تشخیص دهنده ، خروجی تولید کننده  را با اصلی مقایسه می کند. سپس تولید کننده  به طور مكرر بازخورد تقلید كننده را بنا مي كند تا اينكه تصاوير و صداهاي ساختگي آن به اندازه كافي  از نظر تطابق با واقعیت براي دريافت كننده ، قانع كننده باشند .

GAN ها  ، محققان هوش مصنوعی را به دلیل توانایی خود در ایجاد نماد هایی که بسیار زیبا و گاه عجیب و غریب هستند ، اسیر خودکرده اند. . مانند بسیاری از مدلهای یادگیری عمیق ، GAN ها به داده های گسترده  ای برای یادگیری نیاز دارند. هرچه نمونه های بیشتری را مشاهده می کنند ، در تقلید از آنها بهتر می شوند.

اما این مطالعه جدید نشان می دهد که مجموعه داده های بزرگ ضروری نیستند.

او می گوید: ” GAN ها مانند زندانیان داده های آموزشی خودمان هستند.  آنها فقط الگوهای موجود در داده های ما را یاد می گیرند. اما در اینجا می توانم شرایط را در مدل دستکاری کنم تا اسب ها را با کلاه درست کنند. این مانند ویرایش یک توالی ژنتیکی برای ایجاد چیزی کاملاً جدید است ، مانند قرار دادن DNA یک کرم شب تاب در یک گیاه ، تا آن را در تاریکی نمایش دهد. “

ویرایش GAN محدودیت های خود را دارد. محققان می گویند شناسایی همه نورون های مربوط به اشیاء و حیواناتی که مدل ارائه می دهد کار ساده ای نیست. برخی از قوانین همچنین ضد ویرایش به نظر می رسند. برخی از تغییراتی که محققان سعی در انجام آنها نکرده اند.

با این وجود ، این ابزار در گرافیک های رایانه ای ، جایی که GAN ها به طور گسترده مورد مطالعه قرار می گیرند ، و در آموزش سیستم های هوش مصنوعی متخصص برای شناسایی ویژگی ها و وقایع نادر از طریق افزایش داده ها ، برنامه های فوری دارد. این ابزار همچنین محققان را به درک چگونگی یادگیری GAN ها  در مفاهیم بصری با حداقل راهنمایی انسانی نزدیک می کند.

با تلخیص . https://techxplore.com

آیا این نوشته برایتان مفید بود؟

مطالب مرتبط

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *