Avanços no reconhecimento de objetos cria confiança no técnico virtual

TechSee Seguir 30 de janeiro de 2018 · 4 min ler

É um lindo dia em 2030 e estou relaxando com meu sistema de entretenimento. Eu me sento de repente.

Onomatopeia de cheirar. “Gareth, você está cozinhando alguma coisa? Eu sinto o cheiro de algo queimando.

"Negativo, senhor, apenas lavando a mangueira da máquina de lavar louça, senhor."

“Cheira mesmo a gás aqui, deixa eu ver… Oh não, Gareth, o que você fez? Essa é a mangueira do forno que você desconectou, não a lava-louças. Gás está vazando … FOGO! FOGO!"

O aprendizado profundo alcançou altos níveis de precisão nos últimos anos devido, em parte, aos sofisticados avanços nas tecnologias de visão computacional, especificamente na área de reconhecimento de objetos. Desde 2015, o reconhecimento de objetos alcançou uma taxa de erro de 3,5% – ainda mais baixa do que a taxa básica de 5% em humanos – o que significa que as máquinas atuais superam os seres humanos na capacidade de reconhecer objetos. No entanto, às vezes até os 3,5% restantes dos erros podem ser críticos.

Trending AI Articles:

1. Tutorial da TensorFlow Object Detection API

2. Keras Cheat Sheet: Redes Neurais em Python

3. Google vai bater a Apple em seu próprio jogo com IA superior

4. TensorFlow Object Detection API: noções básicas de detecção (2/2)

Erros de reconhecimento de objetos: bobos ou sérios?

Erros de rede neural podem ser divertidos. Por exemplo, a Rede Neuronal Recorrente Multimodal, proposta em 2015 por Karpathy e Fei-Fei, confundiu uma escova de dentes com um bastão de beisebol e erroneamente identificou um jogo de futebol para uma partida de tênis. Outros erros podem ser perigosos – até mesmo o menor erro visual cometido por um carro autônomo ou por um médico robótico pode ser desastroso. Quando se trata de um técnico virtual , os erros no reconhecimento de objetos podem ser engraçados, como quando o técnico virtual confunde um cabo com uma cobra, mas também pode ser destrutivo. Os dispositivos de hardware podem ser arruinados, o software pode ser danificado e situações perigosas, como a eletrocussão, podem ocorrer.

Existem várias razões para erros na rede neural. Algoritmos de computador não possuem bom senso humano, portanto, a máquina pode falhar em deduzir certa lógica, como a de que um bebê não pode levantar um taco de beisebol pesado. A falta de aprendizado de computador é outro motivo. Se um algoritmo não foi treinado com dados suficientes, ou mais simplesmente, não viu imagens suficientes de bebês, escovas de dentes ou bastões de beisebol, os objetos corretos não serão detectados.

Por esse motivo, os módulos de aprendizagem profunda geralmente exibem um nível de precisão – um número que representa a porcentagem de reconhecimento bem-sucedido – por sua capacidade de corresponder corretamente o objeto a uma classe existente ou categoria de itens nos quais a rede foi treinada. Por exemplo, animais, comida, ferragens, sinais de trânsito, etc.

Como a precisão do futuro técnico virtual pode ser aprimorada para reduzir erros dispendiosos?

Dados são a chave

O melhor método para aumentar o nível de precisão da máquina é por meio da coleta extensiva de dados. Para que um técnico virtual reconheça com precisão os modelos exatos de uma ampla variedade de dispositivos, cabos ou portas, são necessárias centenas de milhares de imagens rotuladas de cada um desses itens.

No entanto, coletar e marcar grandes quantidades de dados pode ser um processo longo, caro e doloroso para uma empresa. Um dos métodos mais eficientes para executar essa atividade é via crowdsourcing. Imagine que uma empresa tenha vários milhares de agentes de atendimento ao cliente e que cada um deles capture de 2 a 3 imagens durante cada chamada de suporte técnico, marcando cada imagem com o modelo do dispositivo e um problema técnico específico. Em um tempo muito curto, a empresa construirá um conjunto de dados massivo que pode ser usado para treinar algoritmos para alcançar altos níveis de precisão.

Otimização continuada

Assim que os algoritmos atingirem um nível aceitável de precisão, a empresa deve começar a se concentrar em garantir a otimização contínua de seus algoritmos. Isso pode ser feito por meio de testes em pequena escala. Quando um agente captura uma imagem tirada do smartphone do cliente, o assistente virtual pode ter a oportunidade de reconhecer o dispositivo e diagnosticar o problema técnico do cliente. O agente então confirma ou corrige o diagnóstico e, dessa forma, permite o aprendizado contínuo e melhora ainda mais a precisão dos algoritmos ao longo do tempo.

Na era atual de casas inteligentes e grande quantidade de dispositivos digitais no mercado, a obtenção de níveis de alta precisão é essencial para a eficácia do futuro técnico virtual. Com o tempo, com a aquisição contínua de dados, aprendizado contínuo e otimização, os computadores não mais confundirão um cabo com uma cobra, uma escova de dentes para um taco de beisebol ou um forno para lava-louças … e os técnicos virtuais receberão uma gama maior de operações de suporte técnico.

Não se esqueça de nos dar o seu ?!