2min

Het trainen van kunstmatige intelligentie vereist momenteel nog behoorlijk wat werk en ook een gigantische dataset. Nvidia wil het niet alleen makkelijker maken om een AI-systeem op te zetten, maar ook zorgen dat die systemen veel sneller kunnen leren. Daarvoor zou dan een kleinere dataset nodig zijn.

In een blogpost legt Nvidia uit dat onderzoekers een aantal generative adversarial networks (GANs) gebruikt hebben in combinatie met leren zonder supervisie. Met behulp van die combinatie wist men een image-to-image vertaalnetwerk te bouwen dat het versneld trainen van kunstmatige intelligentie mogelijk maakte.

Simuleren van omstandigheden

De GANs werden getraind met verschillende datasets. Gedeeld werd een “latent space assumption” die het mogelijk maakt om bepaalde afbeeldingen van de ene naar de andere GAN over te zetten. “Het gebruik van GANs is niet heel nieuw als het aankomt op leren zonder supervisie, maar de onderzoeksresultaten van Nvidia liggen ver voor op wat tot nu toe gerealiseerd is,” schrijft het bedrijf.

Het voordeel hiervan is volgens Nvidia dat een netwerk sneller getraind kan worden met behulp van minder gelabelde data. “Alleen al voor zelfrijdende auto’s kan het sneller: zo zou je eenmaal data kunnen vangen en daarna verschillende virtuele omstandigheden kunnen simuleren: zonnig, bewolkt, sneeuwachtig, regenachtig, ’s nachts,” schrijft het bedrijf.

Een voorbeeld van Nvidia is een foto van een kat, die vervolgens met behulp van de kunstmatige intelligentie omgezet kan worden naar dat van een leeuw, tijger of luipaard.

Maar het bedrijf ziet ook mogelijkheden om weersomstandigheden na te bootsen, zoals het demonstreert met onderstaand beeld van verschillende omstandigheden.

De ontwikkelingen binnen Nvidia zijn interessant om te zien. Het bedrijf focust zich allang niet meer alleen op gaming, maar probeert zijn hardware tegenwoordig ook te slijten met een nadruk op kunstmatige intelligentie. Daartoe sloot Nvidia afgelopen week nog een deal met GE Healthcare om AI te  combineren met medische apparatuur.