Intensives Studieren und synthetische Intelligenz (KI) sind sich schnell entwickelnde Bereiche, in denen neue angewandte Wissenschaften kontinuierlich aufsteigen. 5 der wohl vielversprechendsten Neuentwicklungen auf diesem Gebiet sind Federated Studying, GANs, XAI, Reinforcement Studying und Switch Studying.
Diese angewandten Wissenschaften haben das Potenzial, verschiedene maschinelle Studienfunktionen zu revolutionieren, von der Bilderkennung bis zum Spielen, und spannende neue Alternativen für Forscher und Entwickler gleichermaßen bereitzustellen.
Verbundstudium
Federated Study ist eine maschinelle Lernmethode, die es mehreren Geräten ermöglicht, an einem einzigen Modell zusammenzuarbeiten, ohne ihr Wissen mit einem zentralen Server zu teilen. Diese Methode ist besonders hilfreich, wenn es um Privatsphäre geht.
Beispielsweise hat Google föderierte Studien verwendet, um die Genauigkeit seiner Texterkennungstastatur zu verbessern, ohne die Privatsphäre der Person zu gefährden. Moden zum maschinellen Lernen werden normalerweise unter Verwendung zentralisierter Wissensquellen entwickelt, was erfordert, dass Personenwissen mit einem zentralen Server geteilt wird. Obwohl sich Kunden möglicherweise sehr unwohl fühlen würden, wenn ihr Wissen auf einem einzigen Server gesammelt und gespeichert würde, kann diese Technik zu Datenschutzpunkten führen.
Federated Learning löst dieses Problem, indem verhindert wird, dass Wissen jemals an einen zentralen Server gesendet wird, indem Moden auf Wissen trainiert werden, das sich noch auf den Geräten der Kunden befindet. Da das Coaching-Wissen auf den Geräten der Kunden verblieb, mussten keine riesigen Mengen an Wissen an einen zentralen Server gesendet werden, was die Rechen- und Speicheranforderungen des Systems verringerte.
Assoziiert: Microsoft erweitert seinen persönlichen KI-Chip für ChatGPT: Report
Generative Adversarial Networks (GANs)
Generated Adversarial Networks sind eine Art neuronale Gemeinschaft, die verwendet werden kann, um neues, real aussehendes Wissen zu generieren, das hauptsächlich auf aktuellem Wissen basiert. Beispielsweise wurden GANs verwendet, um echt aussehende Fotos von Personen, Tieren und sogar Landschaften zu erstellen. GANs arbeiten, indem sie zwei neuronale Netze einander gegenüberstellen, wobei eine Gemeinschaft vorgetäuschtes Wissen produziert und die andere Gemeinschaft versucht zu erkennen, ob die Informationen tatsächlich sind oder vorgetäuscht sind.
Generative Adversarial Networks, kurz GANs, haben sich schnell zu einer führenden Expertise für die Erzeugung von echt aussehendem künstlichem Wissen entwickelt. GANs sind eine Art neuronale Gemeinschaftsstruktur, die aus zwei Netzwerken besteht: einem g ... https://t.co/moU2Dls8Gk pic.twitter.com/0ZSRkeZe3z
— phill.ai (@phill_ai) 20. April 2023
Erklärbare KI (XAI)
Eine KI-Methode, die oft als erklärbare KI-Ziele bezeichnet wird, um die Transparenz und das Verständnis von maschinellen Modestudien zu erweitern. XAI ist wichtig, da es tatsächlich sicherstellen kann, dass KI-Programme neutrale und ehrliche Entscheidungen treffen. Hier ist ein Beispiel dafür, wie XAI möglicherweise verwendet werden könnte:
Denken Sie an eine Situation, in der eine Finanzgruppe maschinelle Untersuchungsalgorithmen verwendet, um die Wahrscheinlichkeit vorherzusagen, dass ein Hypothekenantragsteller mit seiner Hypothek in Verzug gerät. Bei herkömmlichen Black-Box-Algorithmen würde das Finanzinstitut den Entscheidungsweg des Algorithmus nicht beachten und möglicherweise nicht in der Lage sein, ihn dem Hypothekenantragsteller zu erklären.
Nichtsdestotrotz war der Algorithmus unter Verwendung von XAI in der Lage, seine Auswahl zu verdeutlichen, sodass das Finanzinstitut nachweisen konnte, dass sie hauptsächlich auf billigen Bedenken und niemals auf ungenauen oder diskriminierenden Informationen beruhte. Beispielsweise könnte der Algorithmus spezifizieren, dass er eine Gefahreneinstufung hauptsächlich auf der Grundlage der Kreditwürdigkeit, des Einkommens und der Beschäftigungshistorie des Bewerbers berechnet. Diese Phase der Transparenz und Erklärbarkeit kann auch dazu beitragen, Vertrauen in KI-Programme aufzubauen, die Rechenschaftspflicht zu verbessern und letztendlich zu einer besseren Entscheidungsfindung zu führen.
Verstärkung studieren
Eine Art maschinelles Lernen, das als Verstärkungsstudium bezeichnet wird, beinhaltet die Anweisung von Maklern, über Kritik und Anreize zu lernen. Viele Funktionen, einschließlich Robotik, Spiele und sogar Banking, haben von dieser Technik profitiert. Zum Beispiel verwendete AlphaGo von DeepMind diese Methode, um sein Gameplay wiederholt zu verbessern und schließlich die allerbesten menschlichen Go-Spieler zu besiegen, was die Wirksamkeit des Reinforcement Studierens bei komplizierten Entscheidungsaufgaben demonstrierte.
AI wird ein Agent für unsere Verzauberung sein. Das wohl interessanteste Papier, das ich zu diesem Thema gesehen habe, ist eine Untersuchung der Effizienz {professioneller} GO-Spieler vor und nach der Einführung von Leela, dem Open-Supply-Modell von DeepMinds AlphaGo. Verbesserte Effizienz der Teilnehmer. pic.twitter.com/Tk6qxwOftz
– Miles Grimshaw (@milesgrimshaw) 15. Januar 2023
Verbunden: 7 überlegene humanoide Roboter der Welt
Studium wechseln
Eine maschinelle Lerntechnik, die als Switch-Studie bezeichnet wird, beinhaltet die Verwendung von zuvor erlernten Methoden, um modellhafte neue Probleme zu lösen. Diese Methode ist besonders hilfreich, wenn wenig Wissen über einen brandneuen Nachteil verfügbar ist.
Beispielsweise haben Forscher Schalterstudien verwendet, um Bilderkennungsmoden, die für eine Bildart (z. B. Gesichter) entwickelt wurden, an eine andere Bildart – z. B. Tiere – anzupassen.
Diese Methode ermöglicht es, die entdeckten Optionen, Gewichte und Vorurteile des zuvor ausgebildeten Mannequins innerhalb der neuen Aktivität wiederzuverwenden, was die Effizienz des Mannequins erheblich steigern und die für das Coaching erforderliche Menge an Wissen reduzieren kann.
