شرکت تحقیق و توسعه پاناسونیک آمریکا و شرکت پاناسونیک هولدینگ، فناوری هوش مصنوعی را برای مقابله با مشکل تشخیص نادرست «خارج از توزیع» توسعه داده‌اند.

اوزاکا، ژاپن - شرکت تحقیق و توسعه پاناسونیک آمریکا و شرکت پاناسونیک هولدینگ، فناوری ای توسعه داده اند که قابلیت اطمینان مدل هوش مصنوعی را با شناسایی اشیایی که مدل هوش مصنوعی یاد نگرفته و اساساً به عنوان "اشیاء ناشناخته" قابل تشخیص نیستند، افزایش می دهد.
 
مدل هوش مصنوعی تشخیص تصویر به طور دقیق اشیایی را که از قبل آموزش داده شده اند تشخیص می دهد، اما آموزش مدل هوش مصنوعی تشخیص تصویر با تمام اشیاء در دنیای واقعی دشوار است. بنابراین، در محیط استفاده واقعی، اجتناب ناپذیر است که مدل هوش مصنوعی با اشیاء ناشناخته روبرو شود.
 
از سوی دیگر، مدل‌های هوش مصنوعی در قضاوت درباره آنچه که به عنوان «ناشناخته» ندیده‌اند، خوب نیستند. در سال‌های اخیر، با پیشرفت پیاده‌سازی اجتماعی هوش مصنوعی، این موضوع به یک موضوع اصلی تبدیل شده است که مدل‌های هوش مصنوعی آنچه را که هرگز ندیده‌اند، به زور تشخیص می‌دهند و «تظاهر می‌کنند که می‌دانند» و با آن به عنوان چیزی که مدل‌های هوش مصنوعی می‌دانند، رفتار می‌کنند. این می تواند منجر به خرابی های غیرمنتظره شود.
 
در حالی که فناوری افزایش قابلیت اطمینان هوش مصنوعی توجه ها را به خود جلب می کند، ما یک مدل مولد مبتنی بر جریان جدید "FlowEneDet" را توسعه داده ایم که قابلیت اطمینان را به سادگی با گسترش یک مدل تقسیم بندی از پیش آموزش دیده با آن افزایش می دهد. آشکارساز مبتنی بر جریان پیشنهادی با ورودی‌های مبتنی بر انرژی، معماری کم‌پیچیدگی را قادر می‌سازد که به درستی فقط اشیایی را که قبلاً آموزش دیده‌اند و ذاتاً قابل تشخیص هستند، با پیش‌بینی «چقدر قابل اعتماد (عدم قطعیت)» نتایج تشخیص مدل هوش مصنوعی تشخیص می‌دهد.
 
این فناوری در سطح بین المللی به رسمیت شناخته شده است و توسط UAI2023 (کنفرانس عدم قطعیت در هوش مصنوعی)، یک کنفرانس برتر در زمینه هوش مصنوعی و فناوری یادگیری ماشین پذیرفته شده است.
 
اگرچه تخمین دقیق محیط ها و اشیاء مشابه با آن ها در زمان یادگیری امکان پذیر است، اما دشوار است که یک مدل هوش مصنوعی تمام اشیاء موجود در محیط واقعی را یاد بگیرد.
 
هنگامی که با یک شی ناشناخته روبرو می شوید که در داده های آموزشی وجود ندارد، مجبور کردن مدل هوش مصنوعی به استفاده از آن از بین اشیایی که از قبل می شناسد ممکن است عملکرد تشخیص مدل هوش مصنوعی را کاهش دهد و منجر به مثبت کاذب غیرمنتظره شود تا کنون یک چالش بوده است.
به خصوص در مدل های هوش مصنوعی نصب شده در دوربین های داخل خودرو، تشخیص نادرست «سطح جاده» می تواند منجر به تصادفات جدی شود و فناوری برای جلوگیری از تشخیص نادرست اشیاء ناشناخته مورد نیاز است.
ما یک مدل مولد مبتنی بر جریان را پیشنهاد کردیم، FlowEneDet، که شبکه‌ای است که تخمین می‌زند که یک مدل هوش مصنوعی تا چه حد در نتایج تشخیص خود مطمئن است (عدم اطمینان از نتایج تشخیص).
یک مدل مولد مبتنی بر جریان مدلی است که می تواند توزیع های پیچیده را به عنوان ترکیبی از توابع قابل تبدیل معکوس بیان کند و مدل سازی دقیق توزیع داده های آموزشی را ممکن می سازد. این مدل‌سازی امکان جداسازی «اشیایی که مدل هوش مصنوعی می‌شناسد» و «اشیاء ناشناخته» را ممکن می‌سازد.
علاوه بر این، به منظور جداسازی شی ناشناخته (OOD) و طبقه‌بندی اشتباه در توزیع (IDM) با دقت بالاتر، ترکیبی را با یک مدل مبتنی بر انرژی که چگالی داده‌ها را مدل می‌کند، پیشنهاد کردیم. با افزودن این FlowEneDet بعد از مدل تقسیم‌بندی معنایی معمولی، می‌توان آن را به یک مدل تقسیم‌بندی گسترش داد که می‌تواند عدم قطعیت نتایج شناسایی را بدون بازآموزی زمان‌بر در سمت مدل تقسیم‌بندی تخمین بزند.
 
FlowEneDet خود مدلی است که انرژی آزاد با ابعاد کم را در مدل مبتنی بر انرژی مدیریت می کند، بنابراین دارای معماری کم پیچیدگی است و می تواند اشیاء ناشناخته (OOD) و طبقه بندی نادرست در توزیع (IDM) را بدون افزایش قابل توجه آموزش و آموزش مدیریت کند.
 
چشم انداز آینده:
FlowEneDet می‌تواند عملکرد و قابلیت اطمینان مدل‌های هوش مصنوعی را با جلوگیری از تشخیص نادرست اشیاء ناشناخته‌ای که آنها یاد نگرفته‌اند، که مدل‌های هوش مصنوعی اغلب در محیط‌های واقعی با آن مواجه می‌شوند، بهبود بخشد.
 
پاناسونیک HD به سرعت بخشیدن به اجرای هوش مصنوعی در جامعه و ترویج تحقیق و توسعه فناوری هوش مصنوعی ادامه خواهد داد که به کمک به مشتریان ما برای زندگی و کار در محل کمک خواهد کرد.

ایران پاناسونیک