Künstliche Intelligenz bei Meta (Facebook) – Zwei aktuelle Use Cases

• Entfernung anstößiger Inhalte – Meta verwendet maschinelles Lernen und die Verarbeitung natürlicher Sprache, um anstößige Inhalte wie sexuelle und gewalttätige Inhalte zu filtern und zu entfernen.
• Eintauchen in die virtuelle Realität – Meta behauptet, Computer-Vision-Algorithmen zu verwenden, um die Bewegungen der Benutzer für sein Oculus-Produkt in Echtzeit zu verfolgen.

Wir beginnen damit, uns anzusehen, wie sich Facebook angeblich darauf konzentriert hat, KI zu verwenden, um anstößige Inhalte zu entfernen.

Anwendungsfall Nr. 1 – Entfernen anstößiger Inhalte

Seit Facebook-Cambridge-Analytica-Skandal In den 2010er Jahren wurde Facebook von Bundesbehörden, Datenschutz- und Sicherheitsbehörden und Anwälten sowie anderen betroffenen Parteien intensiv geprüft.

Aber nicht nur die Privatsphäre der Benutzer ist besorgniserregend. Jerome Presenti, Vizepräsident für künstliche Intelligenz bei Meta, sagt, die Entfernung dessen, was das Unternehmen „schädliche Inhalte” wie solche, die Sex, Gewalt und andere unangemessene Inhalte enthalten, werden ebenfalls als prioritär angesehen.

In einem Podcast-Interview, diskutierte Pesenti einige der angeblichen Verwendungen von KI in dieser Hinsicht. Pesenti behauptet, dass Meta Text- und Bilddaten auf schädliche Inhalte scannt, indem scheinbar natürliches Sprachverständnis verwendet wird (NLU) und Computer Vision Modelle. Eine Methode, mit der Meta angeblich NLU und Computer Vision zur Bekämpfung schädlicher Inhalte einsetzt, ist eine Anwendung des maschinellen Lernens namens „ein paar Tipplernen“ oder FSL.

Unten ist ein Video, das das FSL-Modell von Meta beschreibt:

Meta sagt, dass seine FSL-Lösung mit begrenzten oder keinen Trainingsdaten trainiert werden kann. Das Unternehmen behauptet, multimodale Daten zu verwenden, die von ehemaligen Benutzern gesammelt wurden. Das Modell wird nacheinander auf drei Arten von Daten trainiert: Milliarden von generischen und Open-Source-Sprachbeispielen, Daten, die Meta in der Vergangenheit als schädlich gekennzeichnet hat (siehe Haftungsausschluss unten), und komprimierter Text, der die Nutzungsrichtlinie des Unternehmens erläutert.

Das Unternehmen sagt, dass sich seine FSL-Modelle „leichter“ an sich schnell ändernde Inhalte anpassen und geeignete Korrekturmaßnahmen ergreifen, wie z. B. das Entfernen von Inhalten. Das Unternehmen sagt, dass es dies tut, indem es „mit einem allgemeinen Verständnis eines Themas beginnt“ und dann „weniger gekennzeichnete Beispiele verwendet, um neue Aufgaben zu lernen“.

Bitte beachten Sie: Die Informationen in den folgenden zwei Absätzen dienen lediglich dazu, unserem Publikum Fakten zu vermitteln, nicht verurteilen Facebook für seine Arbeitspraktiken.

Bevor wir fortfahren, ist es erwähnenswert, wie Facebook wahrscheinlich weiterhin Daten kennzeichnet. In einem 2019 Artikel In der Washington Post wurde enthüllt, dass Facebook und andere Social-Media-Unternehmen „weltweit Zehntausende von Arbeitsplätzen auslagern, um gewalttätige oder anstößige Inhalte zu überwachen und zu entfernen“. In einem anderen Artikel wird berichtet, dass viele dieser Arbeitnehmer unter schlechten Arbeitsbedingungen arbeiten, während sie a Mangel an psychologischer Unterstützung in einem Job, der von ihnen verlangt, den ganzen Tag explizites und möglicherweise traumatisches Material zu untersuchen.

Das oben Gesagte ist bemerkenswert, weil vor der Implementierung seiner KI-basierten Lösung zur Identifizierung und Kennzeichnung schädlicher Inhalte – und vielleicht sogar danach – Massenarbeitspraktiken wie auf den Philippinen und anderswo eine der wichtigsten Methoden waren/sind, mit denen Facebook es geschafft hat solche Inhalte von seiner Plattform fernzuhalten. Um es klar zu sagen, er ist Facebook kann ausländische Arbeitnehmer möglicherweise weiterhin potenziell minderwertigen Arbeitsbedingungen aussetzen, indem schädliche Inhaltsdaten gekennzeichnet werden.

Meta behauptet, das komplexe Problem des Entfernens sich schnell bewegender schädlicher Inhalte durch die Verwendung zu lösen Selbstüberwachte Lerntechniken und effizientere FSL-Modelle. Das Unternehmen behauptet, dass sein Modell die Erfassung von Trainingsdaten und die Modellentwicklung, -interaktion, -bewertung und -bereitstellung erheblich beschleunigt.

Was die Ergebnisse betrifft, sagt das Unternehmen, dass seine FSL-Lösung die Zeit, die benötigt wird, um dem Modell neue und schädliche Inhalte beizubringen, von sechs Monaten auf sechs Wochen reduziert. Die FSL-Lösung soll auch in über 100 Sprachen funktionieren, Bild- und Textdaten lernen und bestehende KI-Modelle erweitern, die bereits eingesetzt werden, um schädliche Inhalte zu erkennen. Das neue Modell übertrifft auch „verschiedene State-of-the-Art-Lernmethoden“ um durchschnittlich 12%.

Anwendungsfall Nr. 2 – Immersion in VR

Nach zu Facebook, virtuelle Realität (VR) und erweiterte Realität (AR) für ihre Oculus Quest-Headsets hängen von „Positionsverfolgung Dies [is] präzise, ​​präzise und in Echtzeit verfügbar. Darüber hinaus sagt das Unternehmen, dass dieses Positionsverfolgungssystem kompakt und energieeffizient genug für ein eigenständiges Headset sein sollte.

Meta sagt, dass seine „Oculus Insight“-Modelle für maschinelles Lernen (auch als „Information Stack“ bezeichnet) die neuesten Vorteile nutzen Computer Vision Systeme und simultaner visuell-inertialer Lokalisierung und Kartierung, oder ZUSCHLAGEN. SLAM wird verwendet, um die Position des Kopfes des Benutzers zu verfolgen, während Konstellationsabbildung verwendet wird, um Kopfbewegungen zu verfolgen. Andere Apps, die SLAM verwenden, sind selbstfahrende und mobile AR-Apps.

Meta Beschwerden dass der Quest auf drei Arten von Sensordaten angewiesen ist, die jeweils eine andere Ausgabe erzeugen. Erstens Bilddaten von 4 Ultra-Wide-Kameras im Helm, die eine 3D-Karte des Raums generieren und Grenzen und Orientierungspunkte identifizieren. Darauf folgen Drehzahl- und Linearbeschleunigungsdaten von den Trägheitsmesseinheiten und Controllern des Helms, die Kopf- und Handbewegungen verfolgen. Drittens sind die Infrarot-LEDs in den Controllern, die von den Headset-Kameras erkannt werden, wodurch die Fähigkeit des Geräts verbessert wird, die Bewegung der Controller zu verfolgen.

Unten ist ein Video, das einen Überblick über die in Oculus Quest eingebettete Technologie gibt:

Wenn es um Produktergebnisse geht, ist Meta Beschwerden dass er konnte:

• mit diesen algorithmischen Modellen das „erste All-in-One, vollständig drahtlose VR-Gaming-System“ in der Oculus Quest zu produzieren.
• das erste Verbraucher-AR/VR-Produkt zu entwickeln, das „völlig ungebundene“ (unverdrahtete) sechs Freiheitsgrade nutzt (6DoF) Bewegung parallel zum Controller-Tracking.
• den Energieverbrauch halbieren Größenordnungen auf den Konsolen.
• Rendern Sie High-End-Echtzeitgrafiken mit Bildraten, die mit PC- und Konsolenspielen vergleichbar oder besser sind.

Zu guter Letzt verdient Meta Geld mit dem Verkauf des Headsets und Einkäufen im Oculus Quest Store, wo es Apps und Spiele für die Plattform verkauft. In Bezug auf Ersteres nennen verschiedene Quellen das Oculus Quest 2, das neueste Produkt des Unternehmens, als das meistverkaufte auf dem Markt.

In Bezug auf die quantitativen Ergebnisse behauptet Meta in seinen Ergebnissen für 2021 Bericht dass die Ausgaben für seinen Oculus Quest Store (wo das Unternehmen VR-Spiele und -Apps verkauft) deutlich gestiegen sind – von 12 Millionen US-Dollar auf 51 Millionen US-Dollar von 2020 bis 2021. Das Unternehmen sagt, dass die Gesamtausgaben der Verbraucher im Store seit der Einführung von 1 Milliarde US-Dollar überschritten haben erstes Quest-Headset im Jahr 2019.