Сегодня Apple представила новый блог под названием «Apple Machine Learning Journal«, сопроводив его приветственным сообщением для читателей и подробным обзором первой темы блога: «Повышение реалистичности синтетических изображений«. Apple описывает Machine Learning Journal как платформу, где пользователи могут читать публикации инженеров компании, касающиеся всей их работы и прогресса в разработке технологий для продуктов Apple.

В приветственном сообщении Apple призывает всех, кто интересуется машинным обучением, связаться с компанией по адресу электронной почты нового блога: machine-learning@apple.com.

Добро пожаловать в Apple Machine Learning Journal. Здесь вы можете читать публикации инженеров Apple об их работе по применению технологий машинного обучения для создания инновационных продуктов для миллионов людей по всему миру. Если вы являетесь исследователем или студентом в области машинного обучения, инженером или разработчиком, мы будем рады услышать ваши вопросы и отзывы. Пишите нам по адресу machine-learning@apple.com.

В первой публикации — описанной как Том 1, Выпуск 1 — инженеры Apple углубляются в темы машинного обучения, связанные с нейронными сетями, которые могут создавать программы для интеллектуальной доработки синтетических изображений с целью повышения их реалистичности. Инженеры Apple отметили, что использование синтетических изображений снижает затраты, но «может быть недостаточно реалистичным» и привести к «плохой обобщающей способности» на реальных тестовых изображениях. Поэтому Apple поставила задачу найти способ улучшения синтетических изображений с помощью машинного обучения.

Большинство успешных примеров нейронных сетей сегодня обучаются с использованием контролируемого обучения. Однако для достижения высокой точности обучающие наборы должны быть большими, разнообразными и точно аннотированными, что является дорогостоящим процессом. Альтернативой разметке огромных объемов данных является использование синтетических изображений из симулятора. Это дешево, так как отсутствует стоимость разметки, но синтетические изображения могут быть недостаточно реалистичными, что приводит к плохой обобщающей способности на реальных тестовых изображениях. Чтобы помочь сократить этот разрыв в производительности, мы разработали метод улучшения синтетических изображений, чтобы сделать их более реалистичными. Мы показываем, что обучение моделей на этих улучшенных изображениях приводит к значительному повышению точности в различных задачах машинного обучения.

В декабре 2016 года команда Apple по искусственному интеллекту опубликовала свою первую исследовательскую работу, которая была посвящена передовому распознаванию изображений, как и первый том Apple Machine Learning Journal сегодня.

Новый блог представляет собой последний шаг Apple в ее развитии в области искусственного интеллекта и машинного обучения. На конференции по ИИ в Барселоне в прошлом году руководитель отдела машинного обучения компании Расс Салахутдинов приоткрыл завесу над некоторыми инициативами Apple в этих областях, включая здоровье и жизненные показатели, объемное обнаружение LiDAR, прогнозирование со структурированными выходами, обработку и колоризацию изображений, интеллектуального помощника и языковое моделирование, а также распознавание действий — все это может стать потенциальными темами для будущих исследовательских работ и публикаций в блоге.

Ознакомьтесь с полной первой публикацией в Apple Machine Learning Journal здесь.