L'étude approfondie et l'intelligence synthétique (IA) sont des domaines en évolution rapide dans lesquels de nouvelles sciences appliquées sont en constante augmentation. Cinq des nouveaux développements les plus prometteurs dans ce domaine sont les études fédérées, les GAN, les XAI, les études de renforcement et les études de commutation.
Ces sciences appliquées ont le potentiel de révolutionner diverses fonctions d'étude des machines, de la reconnaissance d'images au jeu, et de fournir de nouvelles alternatives passionnantes aux chercheurs et aux constructeurs.
Études fédérées
L'apprentissage fédéré est un système d'apprentissage automatique qui permet à plusieurs appareils de collaborer sur un seul modèle sans partager leurs données avec un serveur central. Cette méthode est particulièrement utile dans des conditions où la confidentialité est une question.
Par exemple, Google a utilisé la lecture fédérée pour améliorer la précision de son clavier de reconnaissance de texte sans compromettre la confidentialité des utilisateurs. Les modes d'étude automatique sont généralement développés à l'aide de sources de connaissances centralisées, ce qui nécessite que les connaissances de l'utilisateur soient partagées avec un serveur central. Bien que les clients se sentent peut-être vraiment mal à l'aise de voir leurs informations collectées et enregistrées sur un seul serveur, cette technique peut entraîner des problèmes de confidentialité.
L'étude fédérée résout ce problème en empêchant que les données ne soient jamais envoyées à un serveur central en guidant les modes sur les données qui se trouvent toujours sur les gadgets des clients. De plus, étant donné que les informations de formation restaient sur les gadgets des utilisateurs, il n'était pas nécessaire d'expédier de grandes quantités d'informations vers un serveur central, ce qui réduisait les besoins de calcul et de stockage du système.
En relation : Microsoft développe sa puce d'IA personnelle pour ChatGPT : rapport
Réseaux Génératifs d'Adversariat (GAN)
Les réseaux contradictoires générés sont une sorte de communauté neuronale qui peut être utilisée pour générer de nouvelles connaissances réelles basées principalement sur les connaissances actuelles. Par exemple, les GAN ont été utilisés pour créer de vraies photos d'individus, d'animaux et même de paysages. Les GAN fonctionnent en opposant deux réseaux de neurones l'un à l'autre, une communauté produisant des connaissances factices et la communauté opposée tentant de détecter si les informations sont réelles ou factices.
Les réseaux antagonistes génératifs, ou GAN en abrégé, sont rapidement devenus une expertise numéro un pour produire des connaissances artificielles d'apparence réelle. Les GAN sont une sorte de structure de communauté neuronale composée de deux réseaux : un g... https://t.co/moU2Dls8Gk pic.twitter.com/0ZSRkeZe3z
– phill.ai (@phill_ai) 20 avril 2023
IA explicable (XAI)
Une méthode d'IA souvent connue sous le nom d'IA explicable vise à étendre la transparence et la compréhension des modes d'étude des machines. XAI est essentiel car il pourrait réellement garantir que les programmes d'IA effectuent des sélections neutres et honnêtes. Voici un exemple de la façon dont XAI pourrait éventuellement être utilisé :
Pensez à une situation dans laquelle un groupe financier utilise des algorithmes d'apprentissage automatique pour prédire la possibilité qu'un demandeur de prêt hypothécaire ne rembourse pas son prêt hypothécaire. Avec les algorithmes de boîte noire conventionnels, l'institution financière ne prêterait pas attention au processus décisionnel de l'algorithme et pourrait ne pas être en mesure de le clarifier pour le demandeur de prêt hypothécaire.
Néanmoins, en utilisant XAI, l'algorithme était capable de clarifier sa sélection, permettant à l'institution financière de prouver qu'elle était basée principalement sur des préoccupations bon marché et jamais sur des informations inexactes ou discriminatoires. Par exemple, l'algorithme peut spécifier qu'il calcule une cote de risque basée principalement sur la solvabilité, les revenus et l'historique d'emploi du candidat. Cette étape de transparence et d'explicabilité peut également aider à renforcer la confiance dans les programmes d'IA, à renforcer la responsabilisation et, en fin de compte, à améliorer la prise de décision.
renforcement étudiant
Une sorte d'étude automatique appelée étude de renforcement consiste à demander aux courtiers d'étudier via des critiques et des incitations. De nombreuses fonctions, dont la robotique, les jeux ou encore la banque, ont bénéficié de cette technique. Par exemple, AlphaGo de DeepMind a utilisé cette méthode pour améliorer à plusieurs reprises son gameplay et finalement vaincre les meilleurs joueurs de Go humains, démontrant l'efficacité de l'étude du renforcement dans les tâches de prise de décision compliquées.
AI sera un agent pour notre amélioration. L'article le plus intéressant que j'ai vu sur le sujet est probablement une recherche sur l'efficacité des joueurs GO {professionnels} avant et après l'adoption de Leela, le modèle d'offre libre d'AlphaGo de DeepMind. Amélioration de l'efficacité des participants. pic.twitter.com/Tk6qxwOftz
– Miles Grimshaw (@milesgrimshaw) 15 janvier 2023
En relation: 7 robots humanoïdes supérieurs dans le monde
changer d'étude
Une technique d'étude automatique appelée étude de commutation consiste à utiliser des méthodes préalablement instruites pour résoudre de nouveaux problèmes de modèle. Cette méthodologie est particulièrement utile lorsque peu de connaissances sont accessibles pour un tout nouvel inconvénient.
Par exemple, les chercheurs ont utilisé l'étude de commutation pour adapter les modes de reconnaissance d'image développés pour un type d'image (par exemple, les visages) à un type d'image différent - par exemple B. animaux - pour s'adapter.
Cette méthode permet de réutiliser les options, les poids et les biais découverts du modèle préalablement formé dans la nouvelle activité, ce qui peut considérablement améliorer l'efficacité du modèle et réduire la quantité de connaissances requises pour le coaching.
