Lo studio approfondito e l'intelligenza sintetica (AI) sono campi in rapida evoluzione in cui le nuove scienze applicate sono in continua crescita. 5 dei nuovi sviluppi probabilmente più promettenti in quest'area sono lo studio federato, i GAN, lo XAI, lo studio del rinforzo e lo studio dello switch.
Queste scienze applicate hanno il potenziale per rivoluzionare varie funzioni di machine learning, dal riconoscimento delle immagini ai giochi, e fornire nuove entusiasmanti alternative sia per i ricercatori che per i costruttori.
Studio federato
Lo studio federato è un metodo di studio automatico che consente a più dispositivi di collaborare su un singolo modello senza condividere i propri dati con un server centrale. Questo metodo è particolarmente utile in condizioni in cui la privacy è una questione.
Ad esempio, Google ha utilizzato lo studio federato per migliorare la precisione della sua tastiera di riconoscimento del testo senza compromettere la privacy degli utenti. I modelli di machine learning vengono generalmente sviluppati utilizzando fonti di dati centralizzate, che richiedono la condivisione dei dati personali con un server centrale. Anche se i clienti potrebbero sentirsi davvero a disagio nel raccogliere e salvare i propri dati su un singolo server, questa tecnica può portare a punti di privacy.
Lo studio federato risolve questo inconveniente impedendo che la conoscenza venga mai inviata a un server centrale istruendo i modelli sulla conoscenza che è ancora sui gadget dei clienti. Inoltre, poiché i dati di coaching rimanevano sui gadget dei clienti, non era necessario inviare enormi quantità di dati a un server centrale, riducendo le esigenze di calcolo e archiviazione del sistema.
Associato: Microsoft sta sviluppando il suo chip AI personale per ChatGPT: Report
Generative Adversarial Networks (GAN)
Le Generated Adversarial Networks sono una sorta di comunità neurale che può essere utilizzata per generare nuove conoscenze dall'aspetto reale basate principalmente sulle conoscenze attuali. Ad esempio, i GAN sono stati utilizzati per creare foto dall'aspetto reale di individui, animali e persino paesaggi. I GAN funzionano contrapponendo due reti neurali l'una all'altra, con una comunità che produce informazioni fittizie e l'altra comunità che tenta di rilevare se le informazioni sono reali o false.
Generative Adversarial Networks, o GAN in breve, sono cresciute rapidamente fino a diventare un'esperienza numero uno per la produzione di conoscenza artificiale dall'aspetto reale. I GAN sono una sorta di struttura di comunità neurale composta da due reti: una g... https://t.co/moU2Dls8Gk pic.twitter.com/0ZSRkeZe3z
—phill.ai (@phill_ai) 20 aprile 2023
IA spiegabile (XAI)
Un metodo di intelligenza artificiale spesso noto come obiettivi di intelligenza artificiale spiegabili per estendere la trasparenza e la comprensione delle mode dello studio automatico. XAI è essenziale perché potrebbe effettivamente garantire che i programmi di intelligenza artificiale effettuino selezioni neutre e oneste. Ecco un esempio di come potrebbe essere utilizzato XAI:
Pensa a uno stato di cose attraverso il quale un gruppo finanziario utilizza algoritmi di studio automatico per prevedere la possibilità {che un} richiedente un mutuo sarà inadempiente sul proprio mutuo. Con gli algoritmi black-box convenzionali, l'istituto finanziario non presterebbe attenzione al processo decisionale dell'algoritmo e potrebbe non essere in grado di chiarirlo al richiedente il mutuo.
Tuttavia, utilizzando XAI, l'algoritmo è stato in grado di chiarire la sua selezione, consentendo all'istituto finanziario di dimostrare che si basava principalmente su preoccupazioni a basso costo e mai su informazioni imprecise o discriminatorie. Ad esempio, l'algoritmo potrebbe specificare che calcola una valutazione del pericolo basata principalmente sull'affidabilità creditizia, sulle entrate e sulla storia dell'occupazione del richiedente. Questa fase di trasparenza e spiegabilità può anche aiutare a creare fiducia nei programmi di intelligenza artificiale, migliorare la responsabilità e, alla fine, portare a un processo decisionale più elevato.
studio del rinforzo
Una sorta di studio automatico denominato studio di rinforzo include l'istruzione dei broker a studiare tramite critiche e incentivi. Molte funzioni, tra cui la robotica, i giochi e persino le banche, hanno beneficiato di questa tecnica. Ad esempio, AlphaGo di DeepMind ha utilizzato questo metodo per migliorare ripetutamente il suo gameplay e alla fine sconfiggere i migliori giocatori umani di Go, dimostrando l'efficacia dell'apprendimento del rinforzo in compiti decisionali complicati.
L'intelligenza artificiale sarà un agente per il nostro miglioramento. Probabilmente il documento più interessante che ho visto sull'argomento è uno studio sull'efficienza {dei giocatori professionisti} GO prima e dopo l'adozione di Leela, il modello open source di AlphaGo di DeepMind. Migliore efficienza dei partecipanti. pic.twitter.com/Tk6qxwOftz
— Miles Grimshaw (@milesgrimshaw) Gennaio 15, 2023
Associato: 7 robot umanoidi superiori al mondo
cambiare studio
Una tecnica di studio automatico denominata studio del cambio include l'uso di mode istruite in anticipo per risolvere nuovi problemi di modello. Questa metodologia è particolarmente utile quando è disponibile poca conoscenza per un nuovo inconveniente.
Ad esempio, i ricercatori hanno utilizzato lo studio del passaggio per adattare i modelli di riconoscimento delle immagini sviluppati per un tipo di immagine (ad esempio, volti) a un diverso tipo di immagine, ad esempio B. animali, per adattarsi.
Questo metodo consente di riutilizzare le opzioni, i pesi e i pregiudizi scoperti del modello precedentemente istruito all'interno della nuova attività, il che può migliorare notevolmente l'efficienza del modello e ridurre la quantità di conoscenza richiesta per il coaching.
