För att lära en AI att känna igen bilder behövs det normalt 50 000–100 000 bilder som AI:n får träna på för att lära sig att exempelvis känna igen en katt. Att få ihop så många bilder är i bästa fall tidsödande och i värsta fall omöjligt. Men nu har forskare på Nvidia kommit på ett sätt att minska antalet bilder som behövs.

Genom att använda en teknik som heter Adaptive Discriminator Augmentation, Ada, har forskarna lyckats träna en AI med bara 1 500 bilder. Forskarna räknar med att det normalt kommer att behövas 10–20 gånger färre träningsbilder med Ada.

Den nya metoden gör det möjligt att träna AI:n att känna igen bilder som det tidigare inte fanns tillräckligt med data för. Forskarna började med att låta AI:n gå igenom bilder av kända konstnärer för att sedan kunna skapa konstverk i deras stil. Men metoden kan användas till mycket annat.

Bland annat räknar forskarna med att metoden ska ge AI möjlighet att känna igen medicinska bilder av ovanliga sjukdomar. På så sätt kan AI hjälpa läkare diagnosticera sjukdomar de kanske aldrig sett förut.

Enkelt uttryckt kan vi säga att Ada skapar egna bilder för att ge AI:n ett större urval att träna på. Ada tar de bilder som finns och förvanskar dem på olika sätt. Det kan handla om att ändra färger, vrida bilden, plocka bort delar av bilden med mera.

Dessa bilder körs sedan genom ett generative adversarial networks, Gan, som är en traditionell AI-metod för bildigenkänning. Med Ada får Gan tillräckligt med bilder för att kunna träna upp AI:n. Ada ser också till att AI:n inte tror att förvanskningarna representerar de bilder som den ska känna igen.

Läs hela studien här.