人工智能不僅涉及模式識別精度。算法需要能夠遇到問題並繼續前進。
考慮到這一點，九州大學的研究人員說，他們創造了一種新的方法來提高面部識別算法的魯棒性 - 所謂的原始零攝像方法。
首席研究員Danilo Vasconcellos Vargas說，過多的精度是由AI在實驗室外部運作的精確性。
瓦爾加斯說：“我們必須研究改善魯棒性和靈活性的方法。” “那麼我們也許能夠發展出真正的人工智能。”
在《科學雜誌》中的文章中描述PLOS一個，原始零射方法旨在評估神經網絡如何處理未知元素。這可能會在理解如何生成對抗網絡可用於打敗生物識別算法和其他AI系統。
“有一系列用於圖像識別神經網絡的現實應用程序，包括自動駕駛汽車和醫療保健中的診斷工具，”九州信息科學和電氣工程學院的瓦爾加斯說。
他說：“但是，無論訓練有多種訓練的AI，它都會因圖像的略有變化而失敗。”當然，品質的數據集是最重要的用於正確培訓機器學習算法。
實際上，高度精確演算法有時會被無法用人眼檢測到的元素打破。
為了了解與圖像識別故障相關的問題，九州研究人員將原始零擊方法應用於12種人工智能算法。
Vargas解釋說：“如果您將圖像給予AI，它將嘗試告訴您它是什麼，無論該答案是否正確，” Vargas解釋說。
“基本上，我們給了AIS一系列沒有提示或培訓的圖像。我們的假設是，它們的回答是錯誤的。它們是錯誤的，但以相同的方式進行了錯誤。”
研究背後的理由是了解AI處理未知圖像時的反應。然後可以使用該方法來分析為什麼面對單像素更改時算法破裂。
據報導，在Vargas團隊分析的算法中，膠囊網絡（通常稱為CAPSNET）產生了最稠密的簇，從而在神經網絡中提供了解決問題的知識的最佳傳遞性。
他補充說：“儘管今天的AIS是準確的，但它們缺乏進一步效用的魯棒性。我們需要了解問題是什麼以及為什麼發生的問題。在這項工作中，我們展示了研究這些問題的可能策略。”
研究結果是在京都大學發表另一本以生物識別的論文發表幾週後。關於呼吸識別作為可能的化學生物特徵識別符。
