Dieptestudies en synthetische intelligentie (AI) zijn snel evoluerende gebieden waar nieuwe toegepaste wetenschappen voortdurend in opmars zijn. 5 van waarschijnlijk de meest veelbelovende nieuwe ontwikkelingen op dit gebied zijn Federated Studying, GAN's, XAI, Reinforcement Studying en Switch Studying.
Deze toegepaste wetenschappen hebben het potentieel om een revolutie teweeg te brengen in uiteenlopende machinestudiefuncties, van beeldherkenning tot gamen, en bieden opwindende nieuwe alternatieven voor zowel onderzoekers als bouwers.
Gefedereerd studeren
Federated Studying is een machine learning-methode waarmee verschillende gadgets kunnen samenwerken op één model zonder hun kennis te delen met een centrale server. Deze methode is vooral handig in omstandigheden waar privacy een zaak is.
Google heeft bijvoorbeeld gefedereerd studeren gebruikt om de nauwkeurigheid van zijn tekstherkenningstoetsenbord te verbeteren zonder de privacy van de persoon in gevaar te brengen. Modes voor machinestudie worden meestal ontwikkeld met behulp van gecentraliseerde kennisbronnen, waarvoor persoonlijke kennis moet worden gedeeld met een centrale server. Hoewel klanten zich misschien niet op hun gemak voelen als hun kennis wordt verzameld en opgeslagen op een enkele server, kan deze techniek resulteren in privacypunten.
Gefederaliseerd studeren lost dit nadeel op door te voorkomen dat kennis ooit naar een centrale server wordt verzonden door mode te coachen op kennis die nog steeds op de gadgets van klanten staat. En omdat de coachingkennis op de gadgets van klanten bleef, was het niet nodig om gigantische hoeveelheden kennis naar een centrale server te verzenden, waardoor de reken- en opslagbehoeften van het systeem afnamen.
Geassocieerd: Microsoft laat zijn persoonlijke AI-chip voor ChatGPT: Report groeien
Generatieve tegengestelde netwerken (GAN's)
Generated Adversarial Networks zijn een soort neurale gemeenschap die kan worden gebruikt om nieuwe, echt ogende kennis te genereren, meestal gebaseerd op huidige kennis. GAN's zijn bijvoorbeeld gebruikt om echt ogende foto's te maken van individuen, dieren en zelfs landschappen. GAN's werken door twee neurale netwerken tegenover elkaar te plaatsen, waarbij de ene gemeenschap nepkennis produceert en de andere gemeenschap probeert te detecteren of de informatie echt is of niet.
Generative Adversarial Networks, kortweg GAN's, zijn snel uitgegroeid tot een nummer één expertise voor het produceren van echt ogende kunstmatige kennis. GAN's zijn een soort neurale gemeenschapsstructuur die bestaat uit twee netwerken: een g... https://t.co/moU2Dls8Gk pic.twitter.com/0ZSRkeZe3z
— phil.ai (@phill_ai) 20 april 2023
Verklaarbare AI (XAI)
Een AI-methode die vaak bekend staat als verklaarbare AI-doelen om de transparantie en het begrip van mode voor het bestuderen van machines te vergroten. XAI is essentieel omdat het ervoor kan zorgen dat AI-programma's neutrale en eerlijke selecties maken. Hier is een voorbeeld van hoe XAI mogelijk kan worden gebruikt:
Denk aan een stand van zaken waarbij een financiële groep algoritmen voor machinestudie gebruikt om de kans te voorspellen {dat een} hypotheekaanvrager zijn hypotheek niet zal betalen. Met conventionele black-box-algoritmen zou de financiële instelling geen aandacht besteden aan het besluitvormingsproces van het algoritme en is het mogelijk niet in staat om dit aan de hypotheekaanvrager te verduidelijken.
Desalniettemin was het algoritme met behulp van XAI in staat om de selectie te verduidelijken, waardoor de financiële instelling kon bewijzen dat deze voornamelijk was gebaseerd op goedkope zorgen en nooit op onnauwkeurige of discriminerende informatie. Het algoritme kan bijvoorbeeld specificeren dat het een gevarenclassificatie berekent die voornamelijk gebaseerd is op de kredietwaardigheid, inkomsten en het arbeidsverleden van de aanvrager. Deze fase van transparantie en verklaarbaarheid kan ook helpen om geloof in AI-programma's op te bouwen, de verantwoordingsplicht te vergroten en uiteindelijk te resulteren in betere besluitvorming.
versterking studeren
Een soort machinestudie die versterkingsstudie wordt genoemd, omvat het instrueren van makelaars om te studeren via kritiek en prikkels. Veel functies, waaronder robotica, gaming en zelfs bankieren, hebben van deze techniek geprofiteerd. AlphaGo van DeepMind gebruikte deze methode bijvoorbeeld om de gameplay herhaaldelijk te verbeteren en uiteindelijk de allerbeste menselijke Go-gamers te verslaan, wat de effectiviteit aantoont van versterkingsstudies bij gecompliceerde besluitvormingstaken.
AI zal een agent zijn voor onze betovering. Waarschijnlijk het meest opvallende artikel dat ik over dit onderwerp heb gezien, is een onderzoek naar de efficiëntie {van professionele} GO-gamers vóór en na het adopteren van Leela, het open supply-model van DeepMind's AlphaGo. Verbeterde efficiëntie van deelnemers. pic.twitter.com/Tk6qxwOftz
— Miles Grimshaw (@milesgrimshaw) 15 januari 2023
Geassocieerd: 7 superieure humanoïde robots ter wereld
switch studeren
Een machinestudietechniek die schakelstudie wordt genoemd, omvat het gebruik van vooraf opgeleide mode om modelnieuwe problemen op te lossen. Deze methodologie is vooral handig wanneer er weinig kennis beschikbaar is voor een geheel nieuw nadeel.
Onderzoekers hebben bijvoorbeeld schakelstudies gebruikt om beeldherkenningsmodes die zijn ontwikkeld voor de ene beeldsoort (bijvoorbeeld gezichten) aan te passen aan een andere beeldsoort - bijvoorbeeld B. dieren - om aan te passen.
Deze methode maakt het mogelijk de ontdekte mogelijkheden, gewichten en vooroordelen van de vooraf opgeleide mannequin te hergebruiken binnen de nieuwe activiteit, wat de efficiëntie van de mannequin aanzienlijk kan verbeteren en de hoeveelheid kennis die nodig is voor coaching kan verminderen.
