AI Times publicó una columna sobre patentes de inteligencia artificial de Yongduck Kim, socio director y agente de patentes de IPLEX IP Law Firm.
En esta columna, miramos la tecnología de ajuste basado en el refuerzo del aprendizaje aplicada al campo de visión de la computadora, centrándonos en los EE.UU. de Google. Patente No. 12,731,392. Hasta el momento, la visión artificial IA ha estado aprendiendo con un enfoque en cómo predice con precisión los datos correctos de respuesta preparados por los humanos. Sin embargo, en los entornos industriales reales, no es suficiente obtener la respuesta correcta de los datos de aprendizaje. Esto se debe a que la eficacia de la IA alcanza sus objetivos en el trabajo real es más importante.
La patente de Google señala esta diferencia. El método es construir primero un modelo de visión artificial pre-entrenado, luego establecer un indicador de rendimiento importante en el trabajo real como ‘Recompensa de descarga’ y ajustar el modelo de nuevo a través del aprendizaje por refuerzo. Por ejemplo, en la detección de objetos, los indicadores de rendimiento reales, como el recuerdo o la precisión media (mAP) se pueden utilizar como compensación, y proponemos que este método también se puede aplicar a diversas tareas de visión artificial, como segmentación de imágenes y colorización de imágenes.
La columna se centra específicamente en las diferencias entre los datos correctos de respuesta y el rendimiento real del trabajo. En el método existente, el objetivo importante era que el modelo produjera resultados similares a las respuestas correctas de los datos de aprendizaje, pero aplicando el aprendizaje por refuerzo, los objetivos que se evalúan como importantes en el sistema real pueden reflejarse directamente en el aprendizaje. Además, se diferencia de los métodos existentes de aprendizaje de visión artificial, ya que no utiliza necesariamente una función de pérdida diferenciable, sino que también puede utilizar criterios de evaluación complejos o difíciles de calcular directamente como compensación.
Estas tecnologías pueden tener mayor importancia en áreas donde IA hace juicios y actúa en ambientes reales, como conducción autónoma, robots, fábricas inteligentes e imágenes médicas. Especialmente en la era de la IA física, puede ser más importante realizar de forma fiable tareas reales basadas en resultados de reconocimiento en lugar de simplemente reconocer con precisión los objetos en imágenes. La última patente de Google se puede decir que es un ejemplo de la expansión de la tecnología de aprendizaje por refuerzo, que se ha desarrollado alrededor de la IA generativa, en las áreas de visión artificial y IA física.
A través de esta columna, eche un vistazo a los cambios en la tecnología de aprendizaje IA y cómo estas tecnologías están protegidas por patentes.
El artículo completo se puede encontrar en el enlace de abajo.
Este artículo del archivo refleja la situación en su fecha de publicación. Contacte con el despacho para analizar su caso.