Una tecnica in grado di superare la barriera dei Captcha avrebbe creato non pochi problemi fino a qualche anno fa.
di Will Knight
Un nuovo algoritmo per la visione artificiale che prende spunto dal cervello umano potrebbe contribuire al progresso dell’intelligenza artificiale – anche se potrebbe riempire la vostra mail di spam.
Vicarious, una startup supportata sia da Elon Musk che da Mark Zuckerberg, ha pubblicato i dettagli di una nuova forma di apprendimento automatico ispirato alla neuroscienza. L’approccio permette a un computer di imparare a riconoscere informazioni visive con maggiore efficienza e in maniera più umana – non si confonde quando qualcosa viene alterato o celato parzialmente.
La società, che ha raccolto più di $150 milioni, ha parlato della sua tecnologia per diversi anni senza mai scendere nei particolari prima di oggi (vedi “Inside Vicarious: The Secretive AI Startup Bringing Imagination to Computers”). In un paper pubblicato ieri su Science, un team di Vicarious ha mostrato come l’approccio sia in grado di superare i Captcha – le lettere distorte che vengono utilizzate per impedire ai bot di registrare automaticamente un account e-mail.
“Abbiamo deciso che era meglio rimanere cauti con la divulgazione di dettagli sulla nostra tecnologia, viste le ovvie implicazioni sulla sicurezza del Web”, commenta Dileep George, cofondatore di Vicarious e mente tecnica alle spalle dell’approccio intrapreso dalla società. George spiega che diverse grandi società si sono ormai scostate dai Captcha, riducendo il rischio che la sua tecnologia possa essere utilizzata da potenziali spammer.
Negli ultimi anni, grazie alle reti neurali, sono stati fatti grandi passi in avanti nella visione artificiale. Questi sistemi sono in grado di identificare concetti di alto livello, come “cane” o “gatto”, ma richiedono enormi quantità di dati e vengono facilmente confusi che cose che non hanno visto prima.
Vicarious ha sviluppato una cosiddetta rete corticale ricorsiva (Recursive Cortical Network – RCN) in grado di generalizzare oltre quanto gli è stato insegnato inizialmente. Ispirandosi liberamente alla neuroscienza, una RCN viene codificata utilizzando alcuni presupposti delle informazioni visive – come angoli e curve – che vengono quindi utilizzati per riconoscere input non ancora incontrati durante il suo addestramento. Questo significa che il sistema è in grado di riconoscere una “A” distorta fintanto che mantiene parte delle sue caratteristiche visive.
L’approccio è simile a tecniche utilizzate da ricercatori di MIT, CMU e NYU per addestrare un computer al riconoscimento di caratteri scritti partendo da due soli esempi (vedi “This AI Algorithm Learns Simple Tasks as Fast as We Do”).
Secondo Georga la tecnologia della Vicarious potrebbe aiutare i robot ad apprendere più efficientemente. “Stiamo lavorando a diverse funzioni nella robotica”, ammette. “L’efficienza dei dati e il processo di ragionamento sono molo importanti quando i robot hanno a che fare con ambienti destrutturati”.
