Przekonaj się jak działa Machine Learning, wystarczy kamera w laptopie

Kojarzy mi się to z urządzeniem, które kiedyś opisałem na Antyweb:

„Dlaczego uczymy się języka do porozumiewania z maszyną, jeżeli to maszyna może nauczyć się naszego języka?” - pyta Bjoern Karmann na stronie swojego interesującego projektu, jakim jest „Objectifier”, czyli w moim tłumaczeniu na chłopski rozum: uprzedmiotawiacz. Wyobraź sobie, że od tej pory możesz sprawić, aby twoja domowa elektronika nauczyła się kiedy jest ci potrzebna. Chcesz poczytać książkę? W takim razie usiądź na swoim ulubionym fotelu i… wyjmij książkę - twoja (od niedawna) inteligentna lampa zdążyła się już nauczyć, że takie zachowanie oznacza iż ma się włączyć. Źródło.

https://vimeo.com/195086230

Teachable Machine

Podobnie jest w przypadku nowej przeglądarkowej zabawy od Google. Nie musimy być programistami, ale za to możemy spróbować swoich sił w trenowaniu maszyny… Jak piszą sami twórcy:

Ten eksperyment pozwala każdemu na eksplorację sposobu działania uczenia maszynowego w formie interaktywnej zabawy. Możesz uczyć maszynę korzystania z twojej kamery internetowej, na żywo za pośrednictwem przeglądarki – nie ma potrzeby na umiejętność programowania. Trenujesz sieć neuronową lokalnie na twoim urządzeniu, bez przesyłania jakichkolwiek obrazów na serwer. Dlatego reaguje tak szybko. Źródło.

https://www.youtube.com/watch?v=3BhkeY974Rg

Co innego słuchać o tym, że algorytmy potrafią rozpoznawać różne konfiguracje pikseli i przypisywać im określone znaczenie, a co innego przekonać się o tym na własnej skórze. Zabawa jest dość prosta, ale ludzie znaleźli dal niej już całkiem sporo kreatywnych zastosowań. Marzyłeś kiedyś o zagraniu koncertu za pomocą jednej ręki, podczas którego spotkają cię regularne oklaski? Jak się okazuje, nie jesteś jedyną taką osobą:

https://www.youtube.com/watch?v=oP8-_0ZyY3U

Jesteś… bardziej oryginalny, więc chcesz aby twoja ręka zamieniła się w krowę? To też jest osiągalne:

https://www.youtube.com/watch?v=LFHZtAasFXE

Kilka wskazówek od twórców

Twórcy projektu przypominają, że uczenie maszynowe wymaga wielu przykładów, dlatego zalecają minimum 30 obrazków na jedną z trenowanych klas (są rozróżniane za pomocą kolorów). Podpowiadają również, że uchwycenie różnych kątów i odrobinę zróżnicowanych przykładów tego, co chcemy pokazać, może nieść ze sobą lepsze rezultaty. Nie można również zapominać o tym, że chodzi tu o rozpoznawanie wzorów powstających z pikseli… nie ma tu mowy o wyższym zrozumieniu tego co się dzieje przed kamerą (algorytm nie wie czy pokazujemy mu dłoń, twarz, czy coś innego, nie ma mowy o rozumieniu tego typu). Jest też porada aby się szybko nie zniechęcać… czasem trzeba kliknąć reset i spróbować od nowa. Miłej zabawy.

Pograj w Teachable Machine (klik).