Ya es posible (en principio). ¡Solo necesita un conjunto de datos con etiqueta humana!
De hecho, este estudio parece haber observado cómo los humanos califican la ‘humanidad’ de las imágenes:
Procesamiento perceptual y de categoría de la dimensión de la hipótesis humana de Uncanny Valley: algunas cuestiones metodológicas
- ¿El aprendizaje automático es solo una forma de predecir con precisión resultados particulares y / o tomar acciones óptimas basadas en algún conjunto de datos?
- Cómo comenzar a programar una IA básica de autoaprendizaje
- ¿Cuál es la mejor manera de encontrar el conjunto de patrones similares en datos de series de tiempo?
- ¿Cuáles serán las características de la próxima generación de servicios de monitoreo social?
- ¿Cuáles son los mejores métodos para recopilar datos de entrenamiento para el algoritmo Naive Bayes?
Una red neuronal artificial aprende a clasificar patrones al exponerse a un gran número de patrones etiquetados. Los patrones etiquetados forman un conjunto de datos que es la “verdad fundamental”. Después de entrenar la red en un conjunto de datos, puede usarla para clasificar nuevos patrones.
Determinar si algo está en Uncanny Valley es una forma de clasificación binaria. Para hacer el conjunto de datos necesario, necesita que las personas etiqueten miles de imágenes como “misteriosas” o “no misteriosas”. También deberá realizar un procesamiento de datos adicional, ya que es poco probable que las personas estén de acuerdo con todas las imágenes.
Una vez que tenga su conjunto de datos, entrene su algoritmo de aprendizaje automático. Si todo va bien, su rendimiento de clasificación se parecerá al de su equipo de etiquetado humano.
Este es el mensaje clave para llevar a casa: los métodos actuales de aprendizaje automático, como las redes neuronales, requieren datos etiquetados preexistentes para aplicar etiquetas previamente elegidas.
El uso de datos etiquetados como conjunto de capacitación significa que estamos haciendo un aprendizaje supervisado. Esta es la única forma de obtener una red neuronal para dividir los nuevos datos en categorías que ya nos interesan (como “extraño” versus “no extraño”).
Otro enfoque de aprendizaje automático se llama aprendizaje no supervisado. Aquí no proporciona datos etiquetados. El algoritmo realiza la agrupación: clasifica los datos en subgrupos (agrupaciones) en función de las propiedades estadísticas de los datos. Entonces, con el aprendizaje no supervisado, puede especificar que desea dividir un conjunto de imágenes en dos grupos. Pero no hay garantía de que los dos grupos correspondan a “extraño” y “no extraño” (“canny”?).
