Dypstudier og syntetisk intelligens (AI) er raskt utviklende felt der nye anvendte vitenskaper stadig øker. 5 av de sannsynligvis mest lovende nye utviklingene på dette området er Federated Studying, GANs, XAI, Reinforcement Studying og Switch Studying.
Disse anvendte vitenskapene har potensial til å revolusjonere varierte maskinstudiefunksjoner, fra bildegjenkjenning til spill, og gi spennende nye alternativer for både forskere og byggere.
Forbundet studerer
Federated Studying er en maskinstudiemetode som lar en rekke gadgets samarbeide om en enkelt mannequin uten å dele kunnskapen deres med en sentral server. Denne metoden er spesielt nyttig under forhold der privathet er et spørsmål.
For eksempel har Google brukt forbundsstudier for å forbedre nøyaktigheten til tekstgjenkjenningstastaturet uten at det går på bekostning av persons privathet. Moter for maskinstudier utvikles vanligvis ved å bruke sentraliserte kunnskapskilder, som krever at personkunnskap deles med en sentral server. Selv om kunder muligens virkelig ville føle seg ukomfortable med å ha kunnskapen sin samlet og lagret på en enkelt server, kan denne teknikken resultere i privateness-poeng.
Forbundsstudier løser denne ulempen ved å forhindre at kunnskap noen gang sendes til en sentral server ved å veilede moter om kunnskap som fortsatt finnes på kundenes gadgets. I tillegg til, fordi coachingkunnskapen forble på kundenes gadgets, var det ikke nødvendig å sende gigantiske mengder kunnskap til en sentral server, noe som reduserer beregnings- og lagringsbehovene til systemet.
Tilknyttet: Microsoft utvider sin personlige AI-brikke for ChatGPT: Report
Generative Adversarial Networks (GAN)
Genererte motstridende nettverk er en slags nevrale fellesskap som kan brukes til å generere ny, virkelig utseende kunnskap basert hovedsakelig på nåværende kunnskap. For eksempel har GAN-er blitt brukt til å lage ekte bilder av individer, dyr og til og med landskap. GAN-er fungerer ved å sette to nevrale nettverk i opposisjon til hverandre, med ett fellesskap som produserer late som kunnskap og det motsatte samfunnet forsøker å oppdage om informasjonen er faktisk eller ikke.
Generative Adversarial Networks, eller GAN-er for korte, har raskt vokst til å være en ekspertise nummer én for å produsere ekte kunstig kunnskap. GAN-er er en slags nevrale fellesskapsstrukturer som består av to nettverk: en g... https://t.co/moU2Dls8Gk pic.twitter.com/0ZSRkeZe3z
— phill.ai (@phill_ai) April 20, 2023
Forklarbar AI (XAI)
En AI-metode ofte kjent som forklarbare AI-mål for å utvide åpenheten og forståelsen av moter for maskinstudier. XAI er viktig fordi det faktisk kan sikre at AI-programmer gjør nøytrale og ærlige valg. Her er et eksempel på hvordan XAI muligens kan brukes:
Tenk på en tilstand der en finansgruppe bruker maskinstuderende algoritmer for å forutsi sjansen for {at en} boliglånsøker vil misligholde boliglånet sitt. Med konvensjonelle svarte boks-algoritmer, vil finansinstitusjonen ikke ta hensyn til algoritmens beslutningsforløp og kan ikke være i stand til å avklare det for boliglånsøkeren.
Ikke desto mindre, ved å bruke XAI, var algoritmen i stand til å tydeliggjøre valget, slik at finansinstitusjonen kunne underbygge at den hovedsakelig var basert på billige bekymringer og aldri på unøyaktig eller diskriminerende informasjon. For eksempel kan algoritmen spesifisere at den beregner en farevurdering basert for det meste på søkerens kredittverdighet, inntekter og sysselsettingshistoriske fortid. Dette stadiet av åpenhet og forklaring kan også bidra til å bygge troen på AI-programmer, øke ansvarligheten og til slutt resultere i høyere beslutningstaking.
forsterkningsstudier
En slags maskinstudier referert til som forsterkningsstudier inkluderer å instruere meglere til å studere via kritikk og insentiver. Mange funksjoner, sammen med robotikk, spill og til og med banktjenester, har utnyttet denne teknikken. For eksempel brukte DeepMinds AlphaGo denne metoden for å forbedre spillingen gjentatte ganger og til slutt beseire de aller beste menneskelige Go-spillerne, og demonstrerte effektiviteten av forsterkningsstudier i kompliserte beslutningsoppgaver.
AI vil være en agent for vår fortryllelse. Det mest oppsiktsvekkende papiret jeg har sett om emnet er sannsynligvis en undersøkelse av effektiviteten {til profesjonelle} GO-spillere tidligere enn og etter å ha tatt i bruk Leela, den åpne forsyningsmodellen til DeepMinds AlphaGo. Forbedret deltakereffektivitet. pic.twitter.com/Tk6qxwOftz
— Miles Grimshaw (@milesgrimshaw) Januar 15, 2023
Associated: 7 Superior Humanoid Robots In The World
bytte studier
En maskinstudieteknikk referert til som bryterstudier inkluderer å bruke forhåndsutdannede moter for å løse nye modeller. Denne metodikken er spesielt nyttig når lite kunnskap er tilgjengelig for en helt ny ulempe.
For eksempel har forskere brukt bryterstudier for å tilpasse bildegjenkjenningsmoter utviklet for én bildesortering (f.eks. ansikter) til en annen bildesorte - f.eks. B. dyr - for å tilpasse seg.
Denne metoden gjør det mulig å gjenbruke de oppdagede alternativene, vektene og skjevhetene til den på forhånd utdannede dukken i den nye aktiviteten, noe som kan øke effektiviteten til dukken betraktelig og redusere mengden kunnskap som kreves for coaching.
