En informàtica, els grans salts en l'enginyeria de sistemes poden semblar petits a causa de la simplicitat aparent dels resultats: no és fins que algú aplica els resultats, quan el gran salt és veritablement reconegut. Aquest va ser el cas, per exemple, quan van començar a aparèixer els primers sistemes que es van poder escoltar, sobre el que una persona diu i el significat que s'extreu d'aquest.
En les aplicacions informàtiques tradicionals, incloses les xarxes del deep learning, una computadora s'ha d'alimentar amb moltes dades per comportar-se com si hagués après alguna cosa. Aquest no és el cas del GQN, que només aprèn des de l'observació, com els infants humans.
El sistema pot observar una escena del món real, com ara blocs posats sobre una taula, i després recrear un model capaç de mostrar l'escena des d'altres àngels. Només quan es planteja el que ha de fer el sistema per arribar a aquests nous angles, la potencia real del sistema es fa patent. Ha de mirar l'escenari i inferir les característiques dels objectes closos que no es poden observar utilitzant només la informació del 2-D proporcionada per les càmeres. No hi ha radar ni cercador de profunditat, o imatges de quins blocs se suposa que semblen emmagatzemats en els seus bancs de dades. Tot el que s'ha de treballar, són les poques fotografies que pren.
Font: Universitat de Maryland
Cap comentari:
Publica un comentari a l'entrada
Aquest és un blog amb moderador dels comentaris. Per tant, no apareixen immediatament