AI تقنية الصحافة : ما هي آخر التطورات في مجال الذكاء الاصطناعي هو؟ يمكننا أن ننظر إلى الأمام إلى 2019 ما التكنولوجيا الجديدة؟ سوف تكون هناك لوائح جديدة منظمة العفو الدولية؟ NeurIPS (المعروف سابقا باسم NIPS) قد تكون قادرا على الإجابة على هذه الأسئلة. في الآونة الأخيرة، والذكاء الاصطناعي، مهندس معماري شركة أمن شبكة الكمبيوتر zvelo دانيال DeMillard للمشاركة في جمع لNeurIPS 2018 عند بعض الأفكار لمجال الذكاء الاصطناعي، والأفكار والاتجاهات في 2019 ملخص توقعات مكتوبة. AI تقنية مراجعة جمعت على النحو التالي.
NeurIPS يجلب موهبة معا المتميزة في مجال الذكاء الاصطناعي والتعلم العميق في السنوات الأخيرة مع ارتفاع في الشهرة، ومرة واحدة تذاكر من تايلور سويفت الحفل أيضا من الصعب لشراء (المزيد من نظرة إلى الوراء "سمعت NIPS 2018 تذاكر بيعت عشر دقائق، وآلة التعلم تفجير دائرة في وعاء." ). وركز الاجتماع بشكل رئيسي على عمق المجال من الدراسة. عمق تعلم استخدام طبقات متعددة من الشبكات العصبية الاصطناعية المترابط للبيانات الأبعاد عالية نماذج عملية، والتي لتصنيف الصور، التعرف على الكلام، المركبات الذاتية، التعرف على الوجه، وحتى الهواتف النقالة هجاء وظيفة التصحيح التلقائي وغيرها من جوانب انفراجة يكون لها دور رئيسي . منذ عمق التعلم أصبح جزءا أساسيا من التقدم الذي أحرز مؤخرا في مجال الذكاء الاصطناعي، ويمكن اعتبار NeurIPS كمؤتمر معلما النظام البيئي المخابرات أكبر اصطناعية.
NeurIPS برعاية أكثر من 100 شركة والشركات العملاقة في مجال الذكاء الاصطناعي، وجوجل، نفيديا، ومايكروسوفت، الفيسبوك، IBM، والأمازون، وما إلى ذلك، لديهم أكشاك وتسليط الضوء على أحدث التطورات التكنولوجية في الجمعية العامة. NeurIPS الاجتماع السنوي ستة أيام عقد في مكان تختلف --2018 في مونتريال، محتوياته والجمعية العامة هي المحفل الرئيسي جزئية التقنية. الباحثون يستغرق عدة أيام لدراسة متعمقة العدد الأخير، نشرت وتثبت في نهاية المطاف التكنولوجيات الجديدة. منذ ثلاثة محاور المؤتمر (علم الأعصاب، ونظرية التعلم الآلي وتطبيق تعلم الآلة) من جدول الأعمال في نفس الوقت، لا يمكن أن يكون شارك الباحث (يرجى الرجوع إلى البشر) في كل من جدول الأعمال وأنها تجربة مرة أخرى. يلخص هذا المقال بعض الأفكار ووجهات النظر جمعت على NeurIPS عام 2018، وكذلك بعض مثيرة 2019 توقعات الاتجاه، يمكننا الرجوع إليها.
المواضيع AI & إلهام
هذا العام، قامت مجال الذكاء الاصطناعي اختراقات كثيرة، بما في ذلك شبكات الجيل، والتعلم غير خاضعة للرقابة ودراسة عينة صغيرة، الفوقية التعلم والتعلم الآلي التلقائي، وتعزيز التحسينات التعلم، فضلا عن عدد من النظريات لتفسير عمق نتائج التعلم والجوانب الأخرى.
الصور والنصوص والصوت نموذج الجيل
إنشاء نموذج لتقدير التوزيع الاحتمالي كامل، والتي يمكن أن تولد محتوى جديد مثل الصور والنصوص أو الصوت. نموذج التنبؤ في حالة وجود ناتج معين، وتعلم بعض المصنف للتنبؤ التسمية الناتج الاحتمالات. على سبيل المثال، عندما تعطى --pr بكسل الأصلي دونالد ترامب (ترامب | بكسل)، ونموذج التنبؤ يمكن التنبؤ احتمال الصور ترامب.
والفرق هو أن النموذج التوليدي لبعض المخرجات المرجوة --pr (بكسل | ترامب)، لمعرفة التوزيع الاحتمالي كامل من المدخلات، والتي يمكن أن تولد صورة جديدة من دونالد ترامب على الطلب. يستخدم الشبكة العصبية المتكررة لتوليد النص كان لبعض الوقت، ولكن فقط جعلت في الآونة الأخيرة تقدما في مجال التعلم العميق، وتحسين ما يكفي لتوليد صورة.
في السنوات القليلة الماضية، وهذا النموذج هو قادرة على إنتاج صور اقعية نموا سريعا، ويمكن الآن إنتاج بعض الصور مثيرة للإعجاب حقا. نلقي نظرة على عدد قليل من الصور أدناه، يمكن أن أقول لكم ما هو حقيقي وما تم إنشاؤه بواسطة الشبكة العصبية تفعل؟
يمكنك تخمين الصورة التي تم إنشاؤها بواسطة الشبكة العصبية تفعل؟
في الواقع، هذا هو السؤال مضللة عن عمد، لأنهم خوارزميات ولدت صورة (https://arxiv.org/pdf/1807.03039.pdf)-- هؤلاء الناس لا موجودة حقا.
وقد ساعدت العديد من الخطب هنا لتعزيز التنمية في هذه المنطقة، بما في ذلك أدركت باستخدام الوصف فقط يستند إلى نص لتعديل الصورة (https://arxiv.org/pdf/1810.11919.pdf). الآن، وفقا لمطلب بسيط، يمكنك تحرير الصور من الطيور والزهور على الفور.
دعونا استخدام نموذج الناتجة سوف تكون قادرة على تعديل وصف تستند إلى نص الصورة
هذه التقنية هي قوية جدا ومثيرة. ومع ذلك، هذه النماذج ولدت لم يتم وضعها حقا في الاستخدام، لأنه لا أحد يعرف حقا ما يجب القيام به معهم ... ومع ذلك، نفيديا في هذا المعرض اجتماع تجريبي قد بدأت لملء فجوة تصل. عرضوا علي المستخدمين المحاكاة الافتراضية للتنقل في مشهد الشارع، مشهد الشارع ليس لعبة فيديو أو مصمم الرسومات ولدت، ولكن اتخذت تماما من المشهد من قبل ثم تقسم إلى متماسكة 3D جيل صورة المشهد .
2019 توقعات الاتجاه
وستقوم الشركة استخدام نماذج ولدت لزيارة العرض الرقمي الذي تم إنشاؤه تلقائيا لشراء والمتاحف، وحتى توليد المحتوى لألعاب الفيديو.
مع أقل الدراسة تسمية (وعدم استخدام الدراسة التسمية)
التعلم غير خاضعة للرقابة هو هدف طويل الأجل من الذكاء الاصطناعي. نحن غالبا ما يكون لها الكثير من البيانات، ولكن ليس وصفت هذه البيانات. وهذا يعني أنه، بالإضافة إلى التنقيب عن البيانات الأساسية والشذوذ سيناريوهات الكشف، لا يمكن استخدام هذه البيانات الأساسية. للأسف، لم يتم حل هذه المشكلة في عام 2018، والتي لا يمكن حلها في المستقبل القريب. ومع ذلك، على الأقل في هذا المجال باستخدام بيانات غير المسماة لتحسين (بيانات علامة) يشرف التعلم جعلت عملية الكثير من التقدم.
مقالة نشرت مؤخرا بعنوان "غير خاضعة للرقابة الجهاز العصبي الترجمة" (بدون اشراف العصبية الترجمة الآلية، https: //arxiv.org/abs/1710.11041) تظهر الأوراق التي تعلم غير مراقب يساعد الترجمة الآلية. أن يكون النص الغني في لغة معينة، وجميع الكتب، بلوق والحروف يمكن أن توجد في أي لغة تريد، والمشكلة هي أنك بحاجة إلى استخدام عقوبة موازية لإظهار عمق خوارزميات تعلم كيفية عبارة النص الأصلي (مثل الفرنسية) مباشرة وصفت اللغة الهدف (مثل اللغة الإنجليزية). بالنسبة لبعض لغة محددة، مثل السواحلية - لاو، وهذه البيانات غير متوفرة جدا ويصعب الحصول عليها. توضح هذه الورقة، من خلال التدريب المشترك جزءا لا يتجزأ من الفضاء بين وفك التشفير على جسم واحد، ويمكنك معرفة شكل ضعف الترجمة غير خاضعة للرقابة. وعلى الرغم من الأداء الترجمة غير خاضعة للرقابة المباشرة ليست جيدة جدا، ولكن يمكن تعلم المشارك التضمين سرعة كبيرة تصل نماذج التدريب الإشراف، بحيث أقل وأقل ملحوظ مع أحكام التدريب يمكن أن تحسن دقة.
، واصلت العديد من المحاضرات وأوراق في المؤتمر إلى استخدام هذا الخط من التفكير: مع عدد أقل من عينات المسمى لتحقيق أعلى دقة. العديد من الحالات ما يلي: استخدام كمية صغيرة من تسجيل صوتي لتعلم صوت نقل للاستنساخ، واستخدام عينات أصغر بكثير لتحقيق هدف الكشف عن كل فئة.
2019 توقعات الاتجاه
على الرغم من أن استخدام التعلم غير خاضعة للرقابة مباشرة لمعرفة معلومات جديدة في هذا الصدد لم يحقق انفراجة إيجابية، ولكن غير خاضعة للرقابة قبل التدريب، والتعلم، وكمية صغيرة من تعلم التنقل تسارعت التدريب في مجالات جديدة، ولكن أيضا مساعدة لتعلم السيطرة حاجة الدقيق المصنف وقت التدريب وعدد من العينات.
تعلم الآلة الآلي والتعلم ميتا
الاتجاه اليوم هو "حر اليدين"، وترتبط اجزاء وقطع من هذا الاتجاه إلى التعلم العميق، مثل هندسة الشبكات العصبية وضبط فائقة المعلمة. Metalearning ملتزمة "تعلم كيف تتعلم"، ومن ثم الهجرة إلى القدرة على معرفة المناطق الجديدة التي لم تذهب من قبل. في حين أن الدولار لا يزال العمل في التعلم ويجري تطوير، ولكن يتم تطبيق التعلم الآلي التلقائي على نحو فعال لاستكمال بسرعة الشبكة أكثر كفاءة تفتيش دقيق (القوة الغاشمة بحث الشبكة) من البحث فائقة حدودي، وخاصة التعلم التلقائي الوصلية الهندسة المعمارية. حتى دراسة حديثة نشرت scikit تعلم تستخدم عادة لآلات أوتوماتيكية (https://scikit-learn.org/stable/) أيضا في المكونات يمكن استخدامها مباشرة.
2019 توقعات الاتجاه
قضى الباحثون تعلم آلة الزمن مع مختلف المعلمات فرط سوف تصبح أقل التجربة والخطأ، ولكن استخدام الآلي آلة التعلم أدوات عرضت لتشغيل تجربة واحدة. هذا وسوف تسريع دورة البحث، بحيث يمكن للباحثين استكشاف المزيد من المواضيع.
نظرية التعلم العمق
نماذج التعلم عمق تميل الى ان تكون وأشاد ب "الصندوق الأسود"، الذي من المقرر أن نموذج التعلم العميق يحتوي الآن تريليون المعلمات المرتبطة بطريقة معقدة. حتى خلقت الباحثون هذا النموذج، فإنه من الصعب على ما يجري لإجراء فهم شامل. A التعلم العميق الذي جذابة للباحثين لم يكن لديك لإنشاء ميزة يدويا، لا يفهمون حتى بالكامل الخوارزمية الحقل يتم تطبيقها. يمكن أن نشعر حقيقي جدا، من الباحثين ونموذج التعلم العميق هو في الواقع أفضل فهم للمشكلة يجري حلها.
وهذا يدل على اهتمام الباحثين الطيار الآلي أنظمة السيارات ذات المهام الحرجة، والتصوير الطبي وغيرها من المعاملات المالية.
وإذا كنا لا نعرف كيف تعمل الآلة، يمكننا أن نقول حقا أنها آمنة؟ لهذا السبب كنت ترغب في الدراسة في نظرية العمق وراء التقدم وهذا مهم جدا. العديد من الخطب وأوراق هذا الاجتماع سيركز في هذا المجال.
"حول قدرة الخلايا العصبية" (على قدرة الخلايا العصبية) هي كلمة مثيرة جدا للاهتمام، لكنه يظهر أحجام مختلفة رياضيا من الشبكة العصبية التغذية إلى الأمام ويمكن تخزين عدد من البتات. هذه المعرفة يمكن استخدامها لفهم مستوى من التجريد والناتجة في الذاكرة الشبكة العصبية. على سبيل المثال، 20000 بكسل لصورة ملونة من 256 256، لديها نحو مليار (20000X256X256X3) الرسائل. إذا كانت قيمة قدرة الشبكات العصبية إلى حد ما، ثم نموذج كبير جدا، ولن يؤدي ذلك إلا هذه البيانات من خلال بيانات ذاكرة بسيطة overfitting، ونموذج من الصعب تطبيقها على عينات خارج مجموعة الاختبار. الباحثون في اختيار حجم الشبكة يمكن استخدام المعلومات.
وبالإضافة إلى ذلك، فإن "أبعاد كلمة جزءا لا يتجزأ من" هذا الخطاب هو مجتمع التعلم العميق في حجم كبير بشكل غير معتاد من التضمين يعطي شرحا نظريا. هذه التفسيرات مساعدة لتحديد بشكل صحيح معلمات حجم السوبر جزءا لا يتجزأ، من دون الحاجة إلى تجربة بحث مكلفة.
حتى لدينا علم الأعصاب شرح، شرح كيفية حدوث-انتشار مرة أخرى في الدماغ. ومنذ فترة طويلة حاسم من التعلم العميق محاكاة الشبكة العصبية لا يمكن توصيل حقا في الدماغ، والذي يرجع إلى استخدام العودة نشر، الذي هو وسيلة لإعادة تصنيف للأخطاء تمرير مرة أخرى من خلال الحق الشبكة. ومع ذلك، فإن المادة الأخيرة على الورق علم الأعصاب وتحدد النموذج الذي يمكن أن يفسر عملية الكيفية التي تأخذ الطبقات العودة انتشار مكان في الدماغ. وهذا قد تقدم بعض العزاء لهؤلاء الذين يعتقدون خوارزمية ذكائهم مماثلة للاستخبارات بشرية الباحثين الذكاء الاصطناعي.
تعزيز التعلم
تعزيز التعلم (RL) هو طريقة لحل مشكلة صنع القرار متتابعة لعبة والأسواق المالية والروبوتات تستخدم عادة. هذا العام، وتتركز العديد من المحاضرات على تعزيز التعلم في كفاءة البيانات هذا الصدد. تستخدم في لعبة الشطرنج، الذهاب، أتاري، ومؤخرا الألعاب دوتا مثل "استراتيجية الشبكة"، حققت اختراقات ملحوظة. ومع ذلك، وهذه الأساليب تتطلب الكثير من الموارد لمحاكاة الملايين من تكرار اللعبة.
بالنسبة للعديد من الصحف تقوي قادة مثل DeepMind جوجل نشرت التعلم، يمكن للباحثين AI العام لا تكرار لها، لأنهم لا يستطيعون استخدام مئات سحابة DeepMind مملوكة من قبل GPU. هذا هو السبب الباحثين مكرسة لتطوير ليس فقط يمكن أن تلعب لعبة جيدة، ولكن أيضا نسخة، القابلة لإعادة التدوير والصوت تعزيز التعلم الخوارزمية. وفي هذا الصدد، لا بد من تبسيط نموذج وتصبح أكثر "البيانات بكفاءة"، وهو ما يعني أن تتطلب كميات أقل من التكرار والمحاكاة (أقل البيانات)، وأخيرا الحصول على نموذج دقيق.
2019 توقعات الاتجاه
عن طريق الألعاب من دراسة مستقلة (أي أمثلة في العالم الحقيقي) في لعبة الشطرنج، لعبة الشطرنج وDeepMind خوارزمية --AlphaGo صفر ممارسة لتحت مستوى فائقة الإنسان، فإنه سيتم تكرارها مجتمع البحث، ويمكن أن الباحثين في مستهلك واحد تدريب GPU على نسخة من الخوارزمية. وسوف تبدأ تعزيز خوارزمية التعلم للتغلب على البشر في ستار كرافت (ستاركرافت) والمزيد من الألعاب المعقدة الحديثة متعددة الرياضات برج (دوتا)، وما شابه ذلك.
مساعد الظاهري التفاعلية دردشة الروبوت VS الموجهة نحو هدف معين
حضرت "إن الدورة الاستخبارات 2ND المنتدى: الممارسة اليوم وإمكانات الغد" (ورشة العمل 2 AI المحادثة: الممارسة اليوم والغد المحتملة). وقد وصفت المنتدى على "بوت المحادثة" و "مساعد الظاهري الموجهة نحو هدف معين" بشكل واضح. ويشمل التفاعلية دردشة الروبوت الروبوت الاجتماعي، فإنها يمكن أن تشارك في حوار حول مجموعة متنوعة من المجالات، بالإضافة إلى السماح للمستخدمين البقاء تشارك في كثير من الأحيان من عدم الهدف. مثال على الحوار الروبوت دردشة هو جيل مايكروسوفت الثاني من twitterbot لها تاي زو. ومع ذلك، تركز مساعد الظاهري الموجهة نحو هدف معين على الانتهاء من بعض المهام المحددة مسبقا، مثل المساعدين، بما في ذلك اليكسا الأمازون، سيري أبل، مايكروسوفت كورتانا ومركز المساعدة الآلي الروبوت مايكروسوفت.
كانت آلات الدردشة التفاعلية دائما أكثر صعوبة لخلق، لأن وتتنوع نوع الاستجابة، واعتمادا على السياق وهبوطا، حتى مع الحوار مستخدميها. قدم منتدى آخر التطورات في الروبوتات المحادثات والمساعدين الظاهري.
كلا اتباع التقنيات المذكورة أعلاه مسار التنمية مماثل. التعلم غير خاضعة للرقابة، تعزيز التعلم والذاكرة، وتحسين شبكة للحد من الازدواجية، وتعزيز استرجاع المعلومات والقدرة على فهم السياق.
2019 توقعات الاتجاه
2019، ونحن لم نجحت في تطوير بوت التخاطب (chatbot يمكنك النوع من الحديث عن أي شيء، وهذا يبدو مثل البشر)، ولكن سيكون هناك المزيد رفيعة المستوى تظهر مساعدي الظاهري، ويمكن القيام بها في البشر للتسوق عبر الإنترنت، حجز السيارة، والمساعدة في دليل مراكز التسوق والمشاركة في الأنشطة التفاعلية مثل دعم مركز الاتصال. المزيد والمزيد من التطبيقات استخدام التحكم الصوتي، يمكننا السيطرة إلا على صوت أو باب الفرن (دون الحاجة لتوصيله إلى اليكسا).
قلق
هذا العام، كما قدمت عددا من الشواغل منظمة العفو الدولية، بما في ذلك الحماية والسلامة والتمييز والتحيز الباحثين AI تفتقر الشمولية والتنوع. وإذا كانت الشركات لا يمكن تنظيم الذاتي، هذه المخاوف قد يؤدي إلى رد فعل عنيف التنظيمي.
مهاجمة المواجهة المصنف صورة
أحصيت، هناك ما يقرب من 12 ورقة هي "هجوم عدائي" في عمق الوضع التعلم. لأنهم ليسوا على دراية الصورة، هذه الهجمات تميل إلى التركيز على خوارزمية تصنيف الصور، ومحاولة لإضافة اضطراب صغير إلى القيم بكسل من الصورة، لخداع المصنف.
على سبيل المثال، بعد إضافة كمية مناسبة من الضوضاء إلى صورة "خنزير" من الصورة سوف تتغير، وبالتالي تضليل نموذج التعلم عمق تصنف على أنها "الطائرات".
للوهلة الأولى، وهذا يبدو أن المراوغات العلم غير ضارة. ومع ذلك، وفكر في التعرف على الوجوه أصبحت جزءا متزايد الأهمية من سجل الهاتف الذكي وغيرها من تفويض الأمن. وقد أظهرت الباحثون أن ببساطة عن طريق تغيير بكسل حول الصورة، المصنف يمكنك التفكير للآخرين. بالطبع، يمكن للانسان ان يحدد على الفور أن هناك خطأ ما، ولكن لخداع النظام الآلي، مثل فقرة مثل لارتداء نظارات عصرية الأرقام البسيطة.
أو التفكير في ما يعني ذلك لقيادة تلقائيا السيارة. السماح المركبات الذاتية تصبح قابلة للحياة اختراقات كثيرة تأتي من التعلم العميق صورة المصنف التي يمكن أن تقرأ بدقة إشارات الطرق، والكشف عن المشاة وتفسير الإشارات. وقد أظهرت الدراسات أن ببساطة عن طريق عصابات من السود والبيض مع المرفقة بشكل صحيح إلى علامات الطريق، ويمكنك جعل هذه التصنيف هو "عدم الإزعاج"، التي أساء تصنيف.
خلق نموذج من تأثير مثل هذه الهجمات، فمن الضروري لضمان الأمن والحماية. لحسن الحظ، والآن هناك العديد من الطرق لبناء هذه النماذج قادرة على الدفاع عن النفس، مثل تسوية، وتعزيز البيانات ومصادر البيانات أن نكون يقظين، تضاف إلى نموذج توضيحي، وجمع المزيد من البيانات، وتصنيع جهاز لكشف جديد، وهلم جرا. بناء نموذج من نتيجة الهجمات وكما تم تحسين هذا التعميم، وهو ما يعني أن هذا النموذج سيتم التعامل مع مجموعة مختلفة التدريب الأولي من البيانات، في حين تم تحسين دقة الشاملة أيضا. للأسف، على الرغم من الكثير من التقدم علينا بذلت من حيث خلق نموذج من الهجوم، ولكن ليس الجميع وفقا لأفضل الممارسات لخلق نماذج AI.
2019 توقعات الاتجاه
للالأمنية الحيوية، والتعرف على الوجوه أصبحت ذات أهمية متزايدة. على سبيل المثال، سوف نستخدم التعرف على الوجه لتسجيل الدخول إلى حسابك المصرفي. هذا العام، فإن الشركة ستكون قادرة على اتخاذ التدابير الوقائية المناسبة لجعل شبكات فراغهم من "هجوم المواجهة"، وبعض الناس سوف تقع ضحية لهذه الأنشطة الخداع.
التحيز المتأصل والتمييز آلة التعلم
هذا العام، انتعاش أخرى يعاني منها الذكاء الاصطناعي من النماذج التي أظهرت التمييز العنصري والمساواة بين الجنسين. دربنا في الأقلية، ولا يمكن أن يمثل بشكل ملائم البيانات لا يمكن أن توفر لقطات دقيقة من مجموعات البيانات وقد تبين نموذج منحازة لارتكاب الأخطاء واضحة، ولا يفضي للمجموعة. المشكلة هي ذات شقين: السؤال الأول هو، عندما الخوارزمية كونها الذين يجب الموافقة على القرض، يجب اختيار الذين سيشاركون في المقابلة، أو حتى تحديد الأنشطة الإجرامية الأخرى صنع القرار وأساسيا، للتفسير والشفافية غالبا ما يكون ضروريا، والثانية المشكلة تكمن في عدم وجود عدالة والمساءلة، ومجموعات البيانات غير المتوازنة وغير كاملة في نهاية المطاف عزل عدد من المجموعات.
مع قواعد البيانات الكبيرة وجهه المصنف ناقصة، فمن السهل العثور على تطابق للجريمة له علاقة مع صورة للرجل شيئا. اعتراف الولايات المتحدة، لأن مجموعات البيانات لاستهداف الأبيض والسمة الرئيسية، مع الإخلال الخطير الذي يحدد أداء الناس الأميركيين الأفارقة أسوأ من البيض والآسيويين لتحديد أسوأ من ذلك. وبالمثل، وهذا التحيز آسيا المصنف عكس ذلك، لأن لديهم عكس ذلك التحيز التركيز على البيانات الخاصة به.
الباحثون AI يكون لا الأخلاقيين، ولا ينبغي أن تكون عادلة، وكان القرار النهائي صحيحة أو خاطئة، عليهم أن يفعلوا غير السعي إلى المساءلة والشفافية وتفسيرها إضافة إلى النموذج. للأسف، هذا هو واحد من أكبر نقطة ضعف هو الصندوق الأسود نموذج التعلم العمق. وهم قادرون على إكمال أداء خوارزمية قوية جدا مقلق للغاية والتصنيف، ولكن لا يزال بعيد المنال إلى حد كبير.
هناك عدة طرق لحل هذه المشكلة، على سبيل المثال، إلى زيادة أهمية من الميزات عوامل محددة، والتعلم لأداء الاجتثاث (دراسات الاجتثاث) كانت منحازة واختبار هيمنة التمييزي (على سبيل المثال، أبيض وأسود وجهه اختبار تعيين اختبار A / B). ومع ذلك، لا تزال هذه القضية تحديا، وحتى الآن ليست هناك حل بسيط. إذا كانت الشركات AI لا يمكن أن يكون لهذه القضية الرصد الذاتي، ثم مع انتهكت الحقوق المدنية، والمنظمين سينتعش.
2019 توقعات الاتجاه
المستقبل، وتعلم آلة نماذج شكوى تمييزي وسوف يشكل انتهاكا لقوانين مكافحة التمييز في عدد من الدعاوى القضائية زيادة. سيبقى نموذج التعلم عمق الخصائص بعيد المنال إلى حد كبير، ولكن الضغوط التنظيمية، مخاوف تتعلق بالسلامة والتقدم النظري، وتشجيع الباحثين سوف تنفق المزيد من الوقت والمال لتحسين عمق التعلم للتفسير نموذج وشفافة الجنس.
ملخص وموجز
جعلت مجال الذكاء الاصطناعي اختراقات مذهلة في 2018، عددا من التحديات في 2019، فرصا وجهه. ليس هناك شك في أنه في المستقبل سيكون هناك المزيد من المفاجآت، ولكن آمل أن نتمكن من الاستمرار في تحمل المسؤولية الاجتماعية والطريقة الحكيمة، لتعزيز تطوير التكنولوجيا.
zvelo.com عبر، AI مترجم تكنولوجي ريفيو
