به گزارش می هاست به نقل از نیوساینتیست، شاخه DeepMind شركت گوگل نوعی هوش مصنوعی ساخته كه تصاویر و صوت در بخش هایی از ویدئو را به طور خودكار شناسایی می كند. به عبارت دیگر این هوش مصنوعی نیاز دارد یك كاربر انسانی درباره چیزهایی كه می بیند و می شنود به آن توضیحی دهد.
این سیستم جالب با استفاده از الگوریتمی مخصوص مواردی مانند جمعیت، افرادی كه حركت می كند و آب را بدون هیچ برچسب یا توضیح خاصی بشناسد. حال آنكه بیشتر الگوریتم های فعلی نیازمند آن هستند كه دانشمندان تصاویر را برایشان مجزا كنند و درباره آنها توضیحی دهند.
رلیا آراندیولوویك، رهبر این پروژه می گوید: الگوریتم ما می تواند تصاویر و صوت را با آنچه می بیند و می شنود، همخوان كند.
این الگوریتم پیشرفته با دسته بندی اطلاعات شبكه هایی مخصوص شناسایی تصاویر و صوت ساخته شده است.
محققان ویدئویی كوتاه برای شبكه تصاویر ویك كلیپ صوتی برای شبكه صوتی پخش كردند.
آنها همچنین از شبكه ای دیگر هم استفاده كردند كه از ۶۰ میلیون كلیپ كوتاه (برگرفته از ۴۰۰ هزار ویدئو ) تهیه شده بود. سپس آن را با كلیپ های صوتی مشابه همخوان كردند. به عنوان مثال اگر تصویر مربوط به دست زدن فردی بود، صوت مرتبط با آن نیز پخش شد.
به گفته محققان این نوع یادگیری به انسان كمك می كند نوعی هوش مصنوعی بسازد كه با تكیه بردیده ها و شنیده های خود از دنیای واقعی می تواند بیاموزد.
همچنین می توان از آن برای بررسی مخازن بزرگ اطلاعاتی مانند جستجو میان میلیون ها ویدئو در یوتیوب استفاده كرد.