Մեքենայական ուսուցման տեխնոլոգիան միշտ չէ, որ կապված է մեծ գործառույթների հետ: Հաճախ սրանք փոքրիկ հնարքներ են, որոնք շատ ուշադիր և փոքր-ինչ ազդում են արդյունքի վրա։ Օրինակ՝ օգտագործելով Twitter նեյրոնային ցանցերը թույլ են տալիս ավտոմատ կերպով ընտրել լուսանկարի ամենահետաքրքիր մասը նախադիտման համար:
Ընկերությունը որոշ ժամանակ աշխատել է այս գործիքի վրա, բայց մանրամասնել է դրա մեթոդները բլոգ հենց երեկ ML Lucas Theis-ը և label ML Zehan Wang-ը բացատրում են, թե ինչպես են նրանք սկսել օգտագործել դեմքի հայտնաբերումը ֆոնը կտրելու համար, և պարզել է, որ մեթոդը չի գործում լանդշաֆտների, առարկաների և ամենակարևորը ձեր սիրելի կատվի ձագերի պատկերների համար:
Լուծումը եղել է «էտը՝ ըստ նշանակության»։ Այս պարամետրը որոշելու համար մշակողները օգտագործել են աչքերի աշխատանքի վերաբերյալ ակադեմիական ուսումնասիրությունների տվյալները, որոնք արձանագրում են, թե պատկերների որ հատվածներն են մարդիկ առաջինը նայում:
«ԱՅՍ ՏՎՅԱԼՆԵՐԸ ԿԱՐՈՂ ԵՆ ՕԳՏԱԳՈՐԾՎԵԼ ՆՅՈՒՐԱՅԻՆ ՑԱՆՑԵՐ ԵՎ ԱՅԼ ԱԼԳՈՐԻԹՄՆԵՐ մարզելու համար, որպեսզի կանխատեսեն, թե մարդիկ ԻՆՉ ԿՈՒԶԵՆ ԴԻՏԵԼ»:
ԹԵԻՍ ԵՎ ՎԱՆԳ
Երբ մշակողները ուսուցանեցին նեյրոնային ցանցը՝ բացահայտելու այս տարածքները, նրանք պետք է օպտիմիզացնեին այն՝ կայքում իրական ժամանակում աշխատելու համար: Բարեբախտաբար նրանց համար, լուսանկարների նախադիտման համար անհրաժեշտ կտրման տարածքը բավականաչափ լայն է. դուք պարզապես նեղացնում եք պատկերը: Սա նշանակում է, որ Twitter կարող է նվազեցնել և պարզեցնել նեյրոնային ցանցի կողմից գնահատված չափանիշները՝ օգտագործելով գիտելիքի թորում կոչվող տեխնիկան:
Վերջնական արդյունքը նեյրոնային ցանց էր, որը տասն անգամ ավելի արագ է, քան իր սկզբնականը: «Սա թույլ է տալիս մեզ իրականացնել օբյեկտների ընդգծվածության հայտնաբերում բոլոր պատկերների վրա, հենց որ դրանք բեռնվեն, մենք իրական ժամանակում կընտրենք լուսանկարի ամենահետաքրքիր մասը», - գրում են Թեիսը և Վանգը:
Նոր գործառույթն այժմ հասանելի է բոլոր համակարգիչների համար, iOS և Android- դիմումներ. Հետևաբար, հաջորդ անգամ, երբ կտեսնեք հետաքրքիր լուսանկար Twitter, հիշեք, որ սա նույնպես նեյրոնային ցանցի արդյունք է։
Աղբյուր. Եզրին