{"id":10185,"date":"2024-02-20T07:06:53","date_gmt":"2024-02-20T07:06:53","guid":{"rendered":"https:\/\/dailyai.com\/?p=10185"},"modified":"2024-02-22T09:44:53","modified_gmt":"2024-02-22T09:44:53","slug":"meta-releases-v-jepa-a-predictive-vision-model","status":"publish","type":"post","link":"https:\/\/dailyai.com\/de\/2024\/02\/meta-releases-v-jepa-a-predictive-vision-model\/","title":{"rendered":"Meta ver\u00f6ffentlicht V-JEPA, ein pr\u00e4diktives Bildgebungsmodell"},"content":{"rendered":"

Meta hat V-JEPA ver\u00f6ffentlicht, ein Modell f\u00fcr pr\u00e4diktives Sehen, das den n\u00e4chsten Schritt in Richtung der Vision des Meta Chief AI Scientist Yann LeCun von fortgeschrittener maschineller Intelligenz (AMI) darstellt.<\/strong><\/p>\n

Damit KI-gest\u00fctzte Maschinen mit Objekten in der realen Welt interagieren k\u00f6nnen, m\u00fcssen sie trainiert werden, aber herk\u00f6mmliche Methoden sind sehr ineffizient. Sie verwenden Tausende von Videobeispielen mit vortrainierten Bildkodierern, Text oder menschlichen Kommentaren, damit eine Maschine ein einziges Konzept, geschweige denn mehrere F\u00e4higkeiten erlernen kann.<\/p>\n

V-JEPA, die Abk\u00fcrzung f\u00fcr Joint Embedding Predictive Architectures, ist ein Bildverarbeitungsmodell, das diese Konzepte auf effizientere Weise erlernen soll.<\/p>\n

LeCun sagte, dass \"V-JEPA ein Schritt in Richtung eines fundierteren Verst\u00e4ndnisses der Welt ist, damit Maschinen ein allgemeineres Denken und Planen erreichen k\u00f6nnen.\"<\/p>\n

V-JEPA lernt, wie Objekte in der physischen Welt in \u00e4hnlicher Weise interagieren wie bei Kleinkindern<\/a>. Ein wichtiger Teil unseres Lernprozesses besteht darin, die L\u00fccken zu f\u00fcllen, um fehlende Informationen vorherzusagen. Wenn eine Person hinter einem Bildschirm verschwindet und auf der anderen Seite wieder herauskommt, f\u00fcllt unser Gehirn die L\u00fccke mit dem Wissen, was hinter dem Bildschirm passiert ist.<\/p>\n

V-JEPA ist ein nicht-generatives Modell, das lernt, indem es fehlende oder maskierte Teile eines Videos vorhersagt. Generative Modelle k\u00f6nnen einen maskierten Teil eines Videos Pixel f\u00fcr Pixel wiederherstellen, aber V-JEPA tut das nicht.<\/p>\n

Es vergleicht abstrakte Darstellungen von nicht beschrifteten Bildern und nicht die Pixel selbst. V-JEPA wird ein Video vorgelegt, bei dem ein gro\u00dfer Teil des Bildes ausgeblendet ist, aber gerade so viel, dass ein gewisser Kontext erkennbar ist. Das Modell wird dann gebeten, eine abstrakte Beschreibung dessen zu liefern, was in dem ausgeblendeten Bereich passiert.<\/p>\n

Anstatt f\u00fcr eine bestimmte F\u00e4higkeit trainiert zu werden, sagt Meta, dass \"es selbst\u00fcberwachtes Training f\u00fcr eine Reihe von Videos verwendet und eine Reihe von Dingen dar\u00fcber gelernt hat, wie die Welt funktioniert.\"<\/p>\n

\n

Heute stellen wir V-JEPA vor, eine Methode, mit der man Maschinen beibringen kann, die physikalische Welt durch das Betrachten von Videos zu verstehen und zu modellieren. Diese Arbeit ist ein weiterer wichtiger Schritt in Richtung @ylecun<\/a>Die in der Studie skizzierte Vision von KI-Modellen, die ein erlerntes Verst\u00e4ndnis der Welt nutzen, um zu planen, zu denken und... pic.twitter.com\/5i6uNeFwJp<\/a><\/p>\n

- AI bei Meta (@AIatMeta) 15. Februar 2024<\/a><\/p><\/blockquote>\n