Microsoft Research pracuje nad sztuczną inteligencją, która może opowiedzieć historię Twoich zdjęć z wakacji

Sztuczna inteligencja, która może opisywać zdjęcia, działa już w Internecie, dodając podpisy do zdjęć na przykład na Facebooku. Teraz Microsoft Research przenosi technologię na wyższy poziom, prosząc swoją sztuczną inteligencję o opowiedzenie historii serii zdjęć.

Na przykład, podczas gdy program do tworzenia podpisów graficznych może zrobić pięć obrazów i powiedzieć: „To jest zdjęcie rodziny; to jest zdjęcie ciasta; to jest zdjęcie psa; to jest zdjęcie plaży”, program opowiadający historie może wziąć te same obrazy i powiedzieć: „Rodzina zebrała się na wspólne gotowanie; mieli dużo pysznego jedzenia; pies był szczęśliwy, że tam był; świetnie się bawili na plaży; nawet pływali w wodzie”.

Mitchell powiedział, że w przyszłości skomputeryzowane opowiadanie historii może pomóc ludziom automatycznie generować opowieści do pokazów slajdów ze zdjęć, które przesyłają do mediów społecznościowych. „Pomogłabyś ludziom dzielić się swoimi doświadczeniami, jednocześnie redukując drobiazgową pracę, którą niektórzy uważają za dość nużącą” – powiedziała. Skomputeryzowane opowiadanie historii „może również pomóc osobom niedowidzącym w otwieraniu obrazów dla osób, które ich nie widzą”.

„Celem jest zapewnienie sztucznej inteligencji bardziej podobnej do ludzkiej, aby pomóc jej zrozumieć rzeczy na bardziej abstrakcyjnym poziomie – co to znaczy być zabawnym, przerażającym, dziwnym lub interesującym” – powiedziała starsza autorka badania Margaret Mitchell, informatyk w Badania firmy Microsoft. „Ludzie przekazywali historie od wieków, używając ich do przekazywania moralności, strategii i mądrości. Koncentrując się na opowiadaniu historii, mamy nadzieję pomóc SI zrozumieć ludzkie koncepcje w sposób, który jest bardzo bezpieczny i korzystny dla ludzkości, zamiast uczyć ją, jak pokonać ludzkość”.

Jeśli sztuczna inteligencja kiedykolwiek nauczy się opowiadać historie oparte na sekwencjach obrazów, „jest to krok w kierunku zrobienia tego samego w przypadku wideo” – powiedział Mitchell. „To może pomóc w dostarczaniu ciekawych aplikacji. Na przykład w przypadku kamer bezpieczeństwa możesz po prostu chcieć podsumować wszystko, co warte uwagi, lub możesz automatycznie przesyłać na żywo wydarzenia z tweetów” – powiedziała.

Naukowcy zaprezentują swoje odkrycia w San Diego na dorocznym spotkaniu północnoamerykańskiego oddziału Association for Computational Linguistics pod koniec tego miesiąca.