Nvidia’nın bilimsel araştırma ekibi, normalde gerekli olan çalışma materyalinin sadece bir kısmını kullanarak yapay zeka modellerini eğitmenin yolunu buldu. Yeni AI modeli, GAN’in ihtiyaç duyduğu materyalin bir bölümünü kullanarak ünlü ressamların eserlerini taklit etmek ve kanser dokusunun görüntülerini yeniden oluşturmak kadar karmaşık becerileri öğrendi.
NVIDIA araştırmacıları, NVIDIA StyleGAN2 modeline çığır açan bir sinir ağı eğitim tekniği uyguladı. Yapay zeka, Metropolitan Sanat Müzesi’ndeki bin 500’den daha az görüntü ile sanat eserlerini yeniden tasarladı. Bu teknikle araştırmacılar, yapay zeka modellerini eğitmek için kullanılan görüntü sayısını 10 ila 20 kat azalttı ve mükemmel sonuçlar elde etti.
Araştırmacılar ADA (Adaptive Discriminator Augmentation) tekniğinin sağlık hizmetlerine önemli bir etkisi olacağını düşünüyor. Örneğin, kanserler de dahil olmak üzere bazı nadir hastalık türlerinin çok az mevcut tıbbi görüntüsü var. Dolayısıyla, doktorların bu hastalıkları tespit etmesine yardımcı olabilecek bir yapay zeka eğitmek son derece zor. Nvidia, bu yöntemle yapay zeka modelleri için ek eğitim verileri oluşturarak boşluğu doldurmaya yardımcı olabileceğini belirtiyor. Bunun sonucunda da kanserlerin veya diğer nadir hastalıkların, patoloji görüntüleri ya da MRI çalışmalarında tespit edilebileceği söyleniyor.
Bu teknik oldukça önemli olacak çünkü yüksek kaliteli bir GAN genellikle 50 bin ila 100 bin eğitim görüntüsüne ihtiyaç duyuyor. Ancak araştırmacıların genellikle ellerinde bu kadar çok örnek görsel bulunmuyor. Sektörde “aşırı uyum” olarak bilinen bu sorunun üstesinden gelmenin yolu da veri artırma. Veri artırma, yapay zeka modelini daha fazla genelleştirmeye zorlamak için rastgele bozulmuş mevcut görüntüleri kullanarak veri kümelerini genişletmek için kullanılıyor. Ancak sorun şu ki, veri büyütme çoğu zaman bu bozulmaları taklit edebilen bir görüntü oluşturucu ile sonuçlanıyor. Nvidia da ADA tekniğiyle bu sorunu düzeltiyor. ADA yöntemi, veri büyütmeyi uyarlamalı olarak uyguluyor. Böylelikle eğitim sürecinin farklı noktalarında bozulma miktarı ayarlanabiliyor. Bu sayede StyleGAN2 sinir ağı çok daha az görüntü kullanarak eğitilebiliyor.
