Il modello di diffusione variazionale condizionale (CVDM) sfrutta l’IA per risolvere i “Problemi Inversi”

Questa settimana segna una pietra miliare importante nello sviluppo dell’IA, poiché un team di ricercatori ha presentato un nuovo modello di diffusione che potrebbe ridurre i costi di programmazione dell’IA, migliorare le prestazioni e aprire la porta a ulteriori innovazioni. Ecco come gli ingegneri hanno utilizzato l’IA per aiutare a creare il Modello di Diffusione Variazionale Condizionale (CVDM) e cosa significa per il futuro.

Il Modello di Diffusione Variazionale Condizionale è un protocollo open source destinato a essere al centro dell’attenzione alla prossima International Conference on Learning Representations (ICLR). Qui, gli sviluppatori risponderanno alle domande del pubblico su come questo stato di programmazione aiuti i sistemi di deep learning a migliorare le prestazioni, la scalabilità e la sostenibilità.

I ricercatori realizzano una svolta con CVDM

I ricercatori dietro lo sviluppo e i test di CVDM provengono dal Center for Advanced Systems Understanding (CASUS) presso l’Helmholtz-Zentrum Dresden-Rossendorf. Hanno collaborato strettamente con ricercatori dell’Imperial College London e dell’University College London per dare vita al concetto. Ecco perché i loro sforzi potrebbero cambiare il mondo.

Fonte – LinkedIn

Il team di ricerca crede che la loro creazione aiuterà a inaugurare una nuova era di programmabilità dell’IA. Discutendo del nuovo approccio di programmazione, lo studente di dottorato presso CASUS e autore principale del paper ICLR, Gabriel della Maggiora, ha parlato di come questi sistemi ti permettano di “vedere più di quanto l’occhio percepisce“.

Il dott. Artur Yakimovich, autore corrispondente del paper ICLR, ha commentato anche l’efficienza dei modelli di addestramento della diffusione attuali e come l’aggiornamento aiuterà a risolvere questi problemi. Ha inoltre parlato di come le esecuzioni non produttive rendano costosa la programmazione dei modelli di diffusione e di come CVDM contribuisca a risolvere tali problemi.

Cosa sono i Problemi Inversi?

Per comprendere appieno l’importanza del CVDM è fondamentale capire cosa siano i problemi inversi, il loro ruolo nell’IA e come aiutino a svelare i misteri nascosti della scienza. Queste equazioni matematiche ricostruiscono le osservazioni per determinare le cause fondamentali. Calcolando i fattori causali visibili, è possibile determinare variabili sconosciute e invisibili. In tal modo, molte delle più grandi scoperte di tutti i tempi hanno utilizzato con successo questo metodo.

Esempi di Risoluzione di Problemi Inversi

I problemi inversi possono sembrare un modo strano per risolvere un problema, ma sono estremamente efficaci nel determinare fattori invisibili. Ad esempio, un astronomo può utilizzare un campo gravitazionale per determinare la massa di un oggetto troppo distante per essere misurato. Il ricercatore può confrontare il campo gravitazionale con altri per trovare la massa reale dell’oggetto.

Conversioni di Colore

Un altro esempio, molto più vicino a noi, è l’uso della risoluzione di problemi inversi per colorare video in bianco e nero. I video storici colorati sono popolari al giorno d’oggi perché offrono uno sguardo più chiaro al passato. Queste procedure di colorazione utilizzano soluzioni di problemi inversi.

Iniziano determinando quale tonalità dell’immagine in bianco e nero corrisponde a quali colori, basandosi su esempi precedentemente esaminati e convertiti. Da lì, questi sistemi arrivano a poche scelte. La selezione è dovuta al fatto che alcuni colori hanno la stessa tonalità quando vengono convertiti in bianco e nero.

Il sistema determinerebbe quindi quale colore è più appropriato per la scena. Ad esempio, il blu e il rosso possono apparire uguali quando convertiti. Tuttavia, un sistema di restauro noterebbe che l’acqua dovrebbe essere blu e il fuoco rosso. In tal modo, può utilizzare questi riferimenti per determinare le migliori opzioni.

Ottica

Questo stesso approccio può essere applicato all’ottica, come telescopi o microscopi. I ricercatori possono preprogrammare determinati parametri attesi usando equazioni matematiche. Ad esempio, un produttore potrebbe configurare la sua IA fotografica per determinare le impostazioni migliori in base al contrasto con lo sfondo.

I sistemi potrebbero fare riferimento a una serie di foto premium e osservare come è impostato il contrasto. Da lì, possono utilizzare queste immagini per determinare il modo migliore di pulire l’immagine presentata.

Sistemi Radar

I sistemi radar sono un esempio perfetto di risoluzione di problemi inversi. Le torri radar emettono onde nell’aria. Queste onde rimbalzano verso i ricevitori quando colpiscono un oggetto. La firma radar e il timing della rifrazione dell’onda radar vengono utilizzati per determinare il tipo di velivolo, la sua rotta e altri dati vitali.

Problemi della Risoluzione di Problemi Inversi

La risoluzione di problemi inversi è solo uno strumento che i ricercatori usano per scoprire misteri invisibili. È molto efficace; tuttavia, non è perfetta. Ci sono alcuni svantaggi. Ad esempio, la risoluzione di problemi inversi può richiedere la soluzione di equazioni matematiche complesse e spesso incomplete.

Alcuni dei fattori limitanti di questo approccio possono essere dati mancanti, risultati confusi e troppo rumore casuale. Queste situazioni aumentano il carico di lavoro e rendono la determinazione della soluzione migliore confusa. Fortunatamente, i progressi dell’IA continuano a rimodellare il settore e a migliorare l’efficienza.

Entra l’Intelligenza Artificiale Generativa

I sistemi di IA generativa dimostrano la potenza di questa tecnologia. Piattaforme come ChatGPT o Stable Diffusion offrono agli utenti un accesso diretto a sistemi avanzati di IA generativa. Questi protocolli sono progettati per fare riferimento alla distribuzione sottostante dei dati per determinare le soluzioni ideali. L’IA generativa può essere programmata con molti metodi diversi, ma uno dei più potenti è un metodo chiamato diffusione.

Cosa sono i Modelli di Diffusione?

L’IA basata su modelli di diffusione affronta la fase di programmazione in modo leggermente diverso rispetto ad altri metodi. Questo stile di IA generativa prende un set di dati e vi applica rumore gaussiano finché non diventa casuale. Poi, il sistema analizza il set di dati per trovare somiglianze, come quali disposizioni di pixel sono comuni o rare nelle immagini di addestramento.

Questi modelli poi iniziano a ricostruire un’immagine dal rumore trovando dati che corrispondono al set di dati ma non sono identici. Ogni pezzo di dato viene combinato per creare un set di dati che si allinea alle librerie. Questo è lo stile di diffusione presente nei generatori di immagini avanzati come DALL-E 2.

Principali Svantaggi della Diffusione

Il più grande svantaggio dell’IA basata su modelli di diffusione è lo spreco. Quando devi creare rumore, ci saranno molte soluzioni inutilizzabili, errate o senza senso. Questi sforzi sprecati possono accumularsi poiché la potenza di calcolo viene utilizzata a ogni passo. Inoltre, aumentano il tempo necessario per programmare l’IA basata su diffusione.

Rumore

Un’altra preoccupazione importante per questi sistemi è l’aggiunta di rumore. Aggiungere rumore ai sistemi richiede molte competenze matematiche. Se ne aggiungi troppo o troppo poco, può influire sui risultati. Inoltre, il timing è un fattore. Aggiungere rumore al momento sbagliato può anche alterare i risultati.

Questi requisiti hanno reso molto costoso creare e migliorare i modelli di diffusione da zero. Fortunatamente, il modello CVDM migliora l’efficienza eliminando gran parte dello sforzo perduto nella programmazione. Questi miglioramenti hanno entusiasmato molti nel settore dell’IA, desiderosi di abbandonare l’approccio di prova ed errore e adottare qualcosa di più efficiente.

Modello di Diffusione Variazionale Condizionale (CVDM)

Il CVDM mira a ridurre i costi di programmazione abbassando i requisiti computazionali per i modelli di diffusione. Il protocollo open source è già stato testato e ha mostrato risultati positivi rispetto alle strategie di modellazione tradizionali. CVDM offre maggiore flessibilità e produce risultati simili, se non migliori, per gli utenti.

Fase di Addestramento del CVDM

Un vantaggio del CVDM è che riduce significativamente i costi di addestramento. I ricercatori hanno raggiunto questo obiettivo consentendo all’IA di determinare le migliori procedure di addestramento. Questo approccio ha ridotto i costi e il carico di lavoro per l’implementazione di questi sistemi. Ha anche eliminato qualsiasi errore umano e garantito le corrette infusioni di rumore.

Fase di Test del CVDM

I test sul CVDM hanno fornito risultati interessanti. I ricercatori hanno deciso di applicare il modello a immagini microscopiche. Principalmente, volevano vedere come l’IA potesse aiutare a risolvere il problema delle diffrazioni. La diffrazione è un termine che si riferisce alle limitazioni di un’ottica. Puoi pensare a quando la tua fotocamera passa dallo zoom ottico a quello digitale per ottenere una qualità migliore, come esempio simile.

Hanno iniziato fornendo all’IA immagini ad alta risoluzione che somigliavano a ciò che avrebbero visto osservando l’oggetto con ottiche ad alta potenza. Il loro sistema ha rimosso tutto il rumore da queste immagini e ha conservato le soluzioni perfette. Queste immagini hanno permesso all’IA di prendere immagini in tempo reale provenienti da un microscopio e ricostruire immagini a risoluzione più alta.

In modo impressionante, il CVDM ha richiesto molto meno programmazione per fornire risultati simili. Questo approccio elimina la maggior parte degli sprechi dall’equazione di programmazione e non aggiunge tempo allo sviluppo. Pertanto, questa svolta rappresenta un importante upgrade nel settore dell’IA con il potenziale di rivoluzionare molti mercati in futuro.

Applicazioni del CVDM

Molte industrie si affidano ai sistemi di IA a diffusione per migliorare i loro prodotti e servizi. Questi sistemi potrebbero un giorno migliorare molteplici settori, tra cui ottica, radar, teoria delle comunicazioni, acustica, elaborazione del segnale, immagini mediche, oceanografia, astronomia, elaborazione del linguaggio, sequenziamento del DNA e molti altri.

Sanità

Una seria applicazione del sistema CVDM è nella sanità. La tecnologia potrebbe presto aiutare a ridurre i costi di programmazione dei sistemi di IA sanitari. Questi risparmi aggiuntivi e l’efficienza potrebbero essere massimizzati e combinati con nuove tecniche di produzione e materiali per creare soluzioni a basso costo e durevoli.

Oceanografia

Molte persone sono sorprese nell’apprendere che solo circa il 7% del fondo oceanico è mappato. Fino a poco tempo fa, non esisteva una tecnologia per ottenere una visione chiara del fondo. Tuttavia, i progressi nel sonar e nell’IA hanno portato l’oceanografia a un livello completamente nuovo.

Aziende che Potrebbero Beneficiare del CVDM

Esiste una lunga lista di aziende che attualmente si affidano all’IA generativa per svolgere compiti essenziali o offrire prodotti unici sul mercato. Queste imprese vedranno costi operativi più bassi e risultati migliori, il che aiuterà a guidare l’innovazione usando l’approccio CVDM.

In quasi tutti i settori, esiste un caso d’uso per gli strumenti di IA generativa CVDM. Il vero fattore limitante non è la tecnologia, ma la capacità di integrarla in modo economicamente vantaggioso che aggiunga valore reale ai prodotti. Ecco alcune aziende che hanno scoperto come realizzare con successo questo compito.

1. Estée Lauder

Applicare il trucco è appena stato potenziato dall’IA grazie al nuovo assistente intuitivo di Estée Lauder. Questo sistema utilizza un’IA attivata dalla voce per assistere le persone con problemi di vista nell’applicare correttamente il trucco. Gli utenti possono scansionare il proprio volto e una combinazione di IA e AR fornisce guide per l’applicazione.

(EL )

Il sistema Estée Lauder potrebbe sfruttare il CVDM per offrire più opzioni e migliorare la reattività per queste persone. Questa mossa sarebbe in linea con il desiderio dell’azienda di essere una delle compagnie di bellezza più inclusive e diversificate a livello globale.

2. Unistellar

Un’altra azienda che potrebbe utilizzare la tecnologia CVDM per migliorare le proprie offerte è Unistellar. Questa azienda di telescopi offre una serie di soluzioni potenziate dall’IA. Questi dispositivi si collegano direttamente al tuo smartphone e sono pre-caricati con molti dati IA. In particolare, il tuo telefono funge da controller. Puoi usarlo per scansionare il cielo notturno e le immagini appaiono sul tuo smartphone con informazioni aggiuntive.

Impressionante, il sistema può determinare 37 milioni di stelle e oltre 5.000 corpi celesti. Unistellar utilizza l’IA a diffusione per migliorare la qualità dell’immagine. Questi sistemi richiedevano molto addestramento, che un giorno potrebbe essere ridotto usando i CVDM. Per ora, puoi mettere le mani su un telescopio IA per $2500 e osservare il cielo.

Il Momentum dell’IA in Crescita

Questo ultimo sviluppo evidenzia la natura creativa dello sviluppo dell’IA e la sua incessante ricerca di migliorare l’efficienza. Ha senso far sì che l’IA aiuti a programmare se stessa, poiché semplifica notevolmente il processo. I CVDM permettono agli esseri umani di avviare il lavoro e l’IA lo porta a velocità ottimale. In questo modo, forniscono una soluzione efficiente che può essere applicata a un’ampia gamma di settori.

CVDM è un Cambiamento di Gioco

L’introduzione dei CVDM avrà sicuramente un impatto sul mercato. Questi protocolli ridurranno i costi e i tempi di programmazione, il che potrebbe tradursi in maggiore accesso e soluzioni IA migliori in futuro. Per ora, devi riconoscere il merito al team dietro il progetto CVDM, poiché ha un eccellente potenziale di crescita.