Inhalt
newsletter Newsletter
DEEP MINDS Podcast
Podcast über Künstliche Intelligenz und Wissenschaft
Künstliche Intelligenz im Militär | DEEP MINDS #14

Google nutzt evolutionäre Algorithmen, um neue Videoanalyse-KIs zu entwickeln. Die dabei entstandenen „Tiny Video Networks“ sind schneller, besser und sparsamer als aktuelle KI. Praktisch ist das für den Einsatz mit Robotern oder Smartphones.

Videoanalyse ist eine harte Aufgabe für Künstliche Intelligenz, die Zusammenhänge zwischen den einzelnen Bildern eines Videos erfassen muss. Die dadurch entstehende zeitliche Dimension erfordert große Netzwerke, die langsam sind und viel Energie verbrauchen.

Bisher wird die Architektur solcher Netze noch immer per Hand entworfen. In anderen Bereichen ist die KI-Forschung mittlerweile zur automatischen, fortlaufenden Suche nach besseren Netzwerk-Architekturen übergangen. Waymo und Deepmind nutzen solche evolutionären Entwicklungsmethoden beispielsweise, um autonome Autos besser sehen zu lassen.

KI-Evolution für effizientere Algorithmen

Google nutzt jetzt ebenfalls diese sogenannten evolutionären Algorithmen: Sie generieren mehrere KI-Architekturen und lassen sie miteinander konkurrieren. Beispielsweise durchlaufen sie einen Test bei der Bilderkennung. Die erfolgreichere Architektur wird weitergeführt, die andere verworfen.

Anzeige
Unterstütze unsere unabhängige, frei zugängliche Berichterstattung. Jeder Betrag hilft und sichert unsere Zukunft. Jetzt unterstützen:
Banküberweisung

Schneidet eine KI überdurchschnittlich gut ab, erstellt der evolutionäre Algorithmus modifizierte Kopien der Architektur und schickt sie erneut in den Wettbewerb. Das Vorgehen ist von Darwins Evolutionstheorien inspiriert.

Für die Videoanalyse entwickelte Googles evolutionärer Algorithmus „EvaNet“ mehrere Bauteile, die er frei innerhalb der KI-Architekturen austauschte und anschließend bewertete.

Die so entstandenen Architekturen zeigen bei der Videoanalyse eine höhere Leistung als die aktuell besten KIs in diesem Bereich. Der Energiebedarf ist jedoch ähnlich hoch.

Eine Visualisierung von EvaNet in Aktion: Jede Box (groß und klein) entspricht einer Schicht im Netzwerk. Verschiedene Farben entsprechen verschiedenen Typen, etwa 3D Convolutional Neural Network (blau).

Klein, schnell und sparsam

Google ließ daher einen zweiten evolutionären Algorithmus laufen, der gezielt nach Architekturen filtert, die ähnliche Leistung bei geringerem Rechenaufwand bringen.

Empfehlung

Das Ergebnis sind die „Tiny Video Networks“: Sie sollen im Durchschnitt „hundertmal schneller“ sein als von Menschen entworfene Videoanalyse-KIs, schreibt Google.

Die TinyVideoNets (TVN) brauchen wesentlich weniger Rechenpower bei gleichbleibender Genauigkeit. Bild: Google.
Die TinyVideoNets (TVN) brauchen wesentlich weniger Rechenpower bei gleichbleibender Genauigkeit. Bild: Google.

Videoanalyse-KIs machen so dank evolutionärer Algorithmen einen deutlichen Sprung beim Energieverbrauch. Besonders die kleinen, schnellen Varianten werden dringend gebraucht: Videoanalyse in Echtzeit ist für Roboter das, was für uns das Sehen ist und könnte Echtzeit-Videoanalyse auch auf Smartphones ermöglichen.

Quelle: Google

Weiterlesen über Künstliche Intelligenz:

Anzeige
Unterstütze unsere unabhängige, frei zugängliche Berichterstattung. Jeder Betrag hilft und sichert unsere Zukunft. Jetzt unterstützen:
Banküberweisung
Community beitreten
Kommt in die DECODER-Community bei Discord,Reddit, Twitter und Co. - wir freuen uns auf euch!
Unterstütze unsere unabhängige, frei zugängliche Berichterstattung. Jeder Betrag hilft und sichert unsere Zukunft. Jetzt unterstützen:
Banküberweisung
Max ist leitender Redakteur bei THE DECODER. Als studierter Philosoph beschäftigt er sich mit dem Bewusstsein, KI und der Frage, ob Maschinen wirklich denken können oder nur so tun als ob.
Community beitreten
Kommt in die DECODER-Community bei Discord,Reddit, Twitter und Co. - wir freuen uns auf euch!