ผลของการจับเอางานวิจัยด้านการรู้จำและแยกแยะวัตถุในภาพของ Google มารวมพลังกับงานวิจัยด้านภาษาธรรมชาติของ Stanford ทำให้ได้ระบบซอฟต์แวร์ที่สามารถทำความเข้าใจองค์ประกอบของภาพถ่าย และบรรยายออกมาเป็นประโยคด้วยถ้อยคำที่เป็นธรรมชาติ

เราเคยเห็นข่าวงานวิจัยของ Google ที่ได้รางวัลจากการประกวดซอฟต์แวร์รู้จำและแยกแยะวัตถุในภาพมาแล้ว ซึ่งงานวิจัยดังกล่าวได้มีการพัฒนาโครงข่ายประสาทเทียมเพื่อให้ระบบซอฟต์แวร์เรียนรู้รูปร่างของวัตถุสิ่งของต่างๆ จนทำให้ได้มาซึ่งความสามารถในการใช้คำระบุว่าสิ่งของหรือคนที่ปรากฎในภาพนั้นคืออะไร มีลักษณะอย่างไร ทว่าด้วยข้อมูลที่ได้มาเป็นคำเหล่านี้คงยังไม่อาจเรียกว่าเป็นการบรรยายภาพถ่ายได้ ดังนั้นจึงมีการผนวกเอางานวิจัยของ Stanford ที่ใช้โครงข่ายประสาทเทียมเพื่อเรียนรู้วิธีการแยกแยะสิ่งต่างๆ ในภาพ และนำเอาข้อมูลที่ได้มาเรียบเรียงให้เป็นภาษาธรรมชาติมาปรับใช้งานร่วมกัน

การดึงเอาความสามารถของโครงข่ายประสาทเทียมจาก 2 งานวิจัยนี้มาใช้ประโยชน์พร้อมกัน ทำได้โดยการป้อนตัวอย่างภาพถ่ายพร้อมประโยคบรรยายภาพให้โครงข่ายประสาทเทียมได้เรียนรู้ว่าการบรรยายภาพที่ดีนั้นควรเป็นอย่างไร และด้วยปริมาณข้อมูลที่ถูกสอนให้มากพอก็จะทำให้ระบบสามารถบรรยายภาพถ่ายบางภาพด้วยประโยคภาษาอังกฤษได้อย่างถูกต้อง (แน่นอนว่ามีบางภาพอาจได้รับการบรรยายถูกต้องแค่บางส่วน หรือไม่ถูกต้องเลย ซึ่งหมายความว่าโครงข่ายประสาทเทียมยังขาดตัวอย่างการฝึกสอนสำหรับภาพถ่ายแบบนั้น)

ลองนึกภาพว่าหาก Google สามารถเอางานวิจัยที่ทำร่วมกับ Oxford (ที่เน้นการพัฒนาปัญญาประดิษฐ์เพื่อการรู้จำภาพและทำงานตอบสนองภาษาธรรมชาติ) มาทำคอมโบเข้าไปกับงานวิจัยร่วมกับ Stanford นี้เข้าไปอีก เราคงได้เห็นระบบปัญญาประดิษฐ์ที่น่าทึ่งเอามากๆ

ที่มา - Google Research Blog via Engadget