เข้าร่วมชุมชนควอนตัม

เข้าร่วมชุมชนควอนตัม RPA วันนี้ที่TechCrunch Disruptในซานฟรานซิสโก ฉันได้แสดงการสาธิตการเรียนรู้ด้วยเครื่องอย่างง่าย ซึ่งฉันใช้งานจริงบนคอมพิวเตอร์ควอนตัมในนิวยอร์กผ่านระบบคลาวด์ แน่นอนว่าปัญหานั้นสามารถแก้ไขได้ง่ายๆ โดยใช้อัลกอริธึมแบบคลาสสิกบนแล็ปท็อปของคุณ แต่นั่นจะไม่น่าตื่นเต้นไปหน่อยเหรอ? ระบบจัดการภายใน ฉันยังคงทึ่งกับความก้าวหน้าที่เกิดขึ้นในเวลาอันสั้น เมื่อสองสามปีก่อน ความคิดถึงเรื่องนี้คงเป็นเพียงความฝัน วันนี้ยังคงเป็นวันแรกสำหรับการคำนวณควอนตัม แต่ระบบกำลังดีขึ้นเรื่อยๆ และอีกไม่นาน เราจะอยู่ในดินแดนที่ไม่คุ้นเคย ซึ่งเราไม่สามารถจำลองสิ่งที่ระบบกำลังทำอยู่ได้อีกต่อไป จากที่นั่น เหลือเวลาอีกไม่นานจนกว่าเราจะเริ่มแก้ปัญหาบางประเภทได้ดีกว่าที่เราสามารถทำได้โดยใช้ระบบคลาสสิกในปัจจุบันการก้าวไปสู่อนาคตที่คอมพิวเตอร์ควอนตัมสร้างโลกใหม่จะต้องอาศัยพรสวรรค์และการมีส่วนร่วมของคนเก่งๆ มากมาย หากคุณรู้สึกตื่นเต้นเกี่ยวกับสิ่งนี้เช่นกัน ให้มีส่วนร่วม ไม่ว่าคุณจะรู้หรือไม่ก็ตาม คุณมีสิ่งสำคัญที่จะมีส่วนร่วมลักษณะทั่วไปความท้าทายที่สองคืออคติของชุดข้อมูลที่ส่งผลกระทบต่อระบบคำบรรยายภาพในปัจจุบัน แบบจำลองที่ได้รับการฝึกมานั้นเหมาะสมกับวัตถุทั่วไปที่เกิดขึ้นร่วมกันในบริบททั่วไป (เช่น เตียงและห้องนอน) ซึ่งนำไปสู่ปัญหาที่ระบบดังกล่าวพยายามหาข้อสรุปในฉากที่วัตถุเดียวกันปรากฏในบริบทที่มองไม่เห็น (เช่น เตียงและ ป่า). แม้ว่าการลดอคติของชุดข้อมูลจะเป็นปัญหาการวิจัยแบบเปิดที่ท้าทายในตัวเอง แต่เราขอเสนอเครื่องมือวินิจฉัยเพื่อประเมินว่าระบบคำบรรยายภาพที่ระบุมีอคติมากน้อยเพียงใดโดยเฉพาะอย่างยิ่ง เราได้สร้างชุดข้อมูลการวินิจฉัยทดสอบของภาพที่มีคำบรรยายซึ่งมีวัตถุทั่วไปที่เกิดขึ้นในฉากที่ไม่ปกติ (ชุดข้อมูลนอกบริบท – ชุดข้อมูล OOC) เพื่อทดสอบคุณสมบัติการจัดองค์ประกอบภาพและลักษณะทั่วไปของคำอธิบายภาพ การประเมิน OOC เป็นตัวบ่งชี้ที่ดีของภาพรวมของแบบจำลอง ประสิทธิภาพที่ไม่ดีเป็นสัญญาณว่าคำอธิบายภาพมีความเหมาะสมกับบริบทการฝึกอบรมมากเกินไป เราแสดงให้เห็นว่าแบบจำลองที่ใช้ GAN ที่มีตัวแบ่งแยกความสนใจร่วมและตัวสร้างที่คำนึงถึงบริบทนั้นมีการวางนัยทั่วไปที่ดีกว่าให้กับบริบทที่มองไม่เห็นมากกว่าวิธีการที่ทันสมัยก่อนหน้านี้ (ดูรูปที่ 1)การประเมินผลและการทดสอบทัวริงความท้าทายที่สามคือการประเมินคุณภาพของคำบรรยายที่สร้างขึ้น การใช้เมตริกอัตโนมัติ แม้จะมีประโยชน์เพียงบางส่วน แต่ก็ยังไม่น่าพอใจ เนื่องจากไม่ได้คำนึงถึงภาพ ในหลายกรณี การให้คะแนนยังคงไม่เพียงพอและบางครั้งก็ทำให้เข้าใจผิด