Qian Ming Bian Ce Thirteen Guo Yipu من معبد Aofei تقرير Qubit | الحساب الرسمي QbitAI
عام آخر ، لخص جيف دين ، نيابة عن Google AI ، الاتجاهات الكبيرة في الذكاء الاصطناعي في العام الماضي.
هذا هو الروتين الذي يتبعه صهر زوجي كرئيس تنفيذي لـ Google AI تقرير سنوي ، هو أيضًا العرض العضلي للذكاء الاصطناعي في العالم - وحتى أكبر مُصنِّع للتقنيات المتطورة.
قال إن عام 2019 الماضي كان عامًا مثيرًا للغاية.
لا يزال الأمر يزدهر على المستوى الأكاديمي والتطبيقي ، كما أن التقنيات مفتوحة المصدر والتقنيات الجديدة تتقدم في وقت واحد.
بدءاً من البحث الأساسي ، إلى تطبيق التكنولوجيا في المجالات الناشئة ، إلى التوقعات حتى عام 2020.
على الرغم من أن تنسيق التقارير لم يتغير ، فقد خطت تكنولوجيا الذكاء الاصطناعي خطوة كبيرة إلى الأمام.
جيف دين يخلص 16 جوانب رئيسية إنجازات الذكاء الاصطناعي ، وكشف عن وصول عدد أوراق الذكاء الاصطناعي المنشورة على مدار العام بأكمله 754 مقالة ، يتم نشر ورقتين في المتوسط كل يوم.
تغطي AutoML ، وخوارزميات التعلم الآلي ، والحوسبة الكمية ، وتكنولوجيا الإدراك ، والروبوتات ، والذكاء الاصطناعي الطبي ، والذكاء الاصطناعي من أجل الخير ...
لا تعزز أكوام القطع دور الذكاء الاصطناعي في جميع جوانب المجتمع في الوقت الحالي فحسب ، بل تعمل أيضًا بمثابة عرض صغير للاتجاهات المستقبلية.
ليس من المبالغة أن نقول إنه إذا كنت تريد معرفة تقدم تقنية الذكاء الاصطناعي في عام 2019 ، فمن الأنسب قراءة هذا الملخص بواسطة Jeff ؛ إذا كنت تريد أن تعرف إلى أين سيتجه الذكاء الاصطناعي في عام 2020 ، فيمكنك أيضًا الاستفادة كثيرًا من هذا المقال من قبل جيف.
لتسهيل القراءة ، قمنا أولاً بتنظيم دليل صغير لك:
خوارزميات التعلم الآلي : فهم خصائص التدريب الديناميكي في الشبكات العصبية
AutoML : استمرار التركيز على أتمتة التعلم الآلي
فهم اللغة الطبيعية : الجمع بين مجموعة متنوعة من الأساليب والمهام لتحسين المستوى الفني
تصور الآلة : فهم وإدراك أعمق للصور ومقاطع الفيديو والبيئات
تكنولوجيا الروبوت : تدريب تحت الإشراف الذاتي ، وإصدار معايير اختبار الروبوت
الاحصاء الكمية : تحقيق التفوق الكمي لأول مرة
تطبيقات الذكاء الاصطناعي في التخصصات الأخرى : من دماغ الذبابة إلى الرياضيات ، إلى البحث الجزيئي الكيميائي والإبداع الفني
تطبيق Mobile AI : نماذج التعرف على الكلام والصورة المنتشرة محليًا ، بالإضافة إلى تحسين الترجمة والملاحة والتصوير الفوتوغرافي
الصحة والطب : تم استخدامه للتشخيص السريري لسرطان الثدي والأمراض الجلدية
الذكاء الاصطناعي يساعد المعوقين : استخدام تقنية التعرف على الصور والنسخ الصوتي لإفادة الفئات المحرومة
الذكاء الاصطناعي من أجل الصالح الاجتماعي : التنبؤ بالفيضانات ، وحماية الحيوانات والنباتات ، وتعليم الأطفال محو الأمية والرياضيات ، وإنفاق أكثر من 100 مليون يوان على 20 مشروعًا للرفاهية العامة
أدوات المطور تبني وتفيد مجتمع الباحثين : بشرت TensorFlow بتحديث شامل
11 مجموعة بيانات مفتوحة : من التعلم المعزز إلى معالجة اللغة الطبيعية إلى تجزئة الصور
التوسع العالمي في Top Club Research و Google Research : تنشر عددًا كبيرًا من الأوراق وتستثمر الكثير من الموارد لتمويل البحث من قبل المعلمين والطلاب والباحثين في مختلف المجالات
أخلاقيات الذكاء الاصطناعي : تعزيز تقدم أبحاث الذكاء الاصطناعي في الإنصاف وحماية الخصوصية وقابلية التفسير
التطلع إلى عام 2020 وما بعده : ستستمر ثورة التعلم العميق في إعادة تشكيل طريقة تفكيرنا في الحوسبة وأجهزة الكمبيوتر.
خوارزميات التعلم الآلي
في عام 2019 ، أجرت Google بحثًا في العديد من المجالات المختلفة لخوارزميات وطرق التعلم الآلي.
التركيز الرئيسي هو فهم كيفية عمل الشبكات العصبية تدريب ديناميكي طبيعة سجية.
في الدراسة التالية ، أظهرت النتائج التجريبية للباحثين أن قياس كمية توازي البيانات يمكن أن يؤدي إلى تقارب أسرع وأكثر كفاءة للنموذج.
عنوان الورق:
https://arxiv.org/pdf/1811.03600.pdf
مقارنةً بتوازي البيانات ، يمكن أن يكون نموذج التوازي طريقة فعالة لتوسيع نطاق النماذج.
GPipe مكتبة تجعل موازاة النموذج أكثر فاعلية:
بينما يعمل جزء واحد من النموذج بأكمله على بعض البيانات ، يمكن لأجزاء أخرى القيام بأعمال أخرى ، بحساب بيانات مختلفة.
يمكن دمج نهج خط الأنابيب هذا لمحاكاة أحجام دفعات أكثر كفاءة.
عنوان مكتبة GPipe:
https://ai.googleblog.com/2019/03/introducing-gpipe-open-source-library.html
تعد نماذج التعلم الآلي فعالة للغاية عندما يمكنها أخذ بيانات الإدخال الأولية وتعلم التمثيلات عالية المستوى "غير المتشابكة".
تفرق هذه التمثيلات بين أنواع مختلفة من الأمثلة حسب الخصائص التي يريد المستخدمون أن يتمكن النموذج من التمييز بينها.
تم تصميم التطورات في خوارزميات التعلم الآلي بشكل أساسي لتشجيع تعلم التمثيلات الأفضل التي تعمم على الأمثلة والمشكلات والمجالات الجديدة.
في عام 2019 ، نظرت Google إلى هذا في سياقات مختلفة:
على سبيل المثال ، يقومون بفحص الخصائص التي تؤثر على التمثيلات المستفادة من البيانات غير الخاضعة للإشراف لفهم العوامل التي تساهم في التمثيل الجيد والتعلم الفعال بشكل أفضل.
عنوان المدونة: https://ai.googleblog.com/2019/04/evaluating-unsupervised-learning-of.html
أظهر جوجل أنه يمكن التنبؤ بفجوة التعميم باستخدام إحصائيات توزيع الهامش ، مما يساعد على فهم النموذج الأكثر عمومية.
بالإضافة إلى ذلك ، تتم دراسة التصنيف خارج السياسة أيضًا في سياق التعلم المعزز من أجل فهم أفضل للنماذج التي من المرجح أن يتم تعميمها بشكل أفضل.
عنوان المدونة:
نحن نبحث في طرق لتحديد وظائف المكافأة للتعلم المعزز ، مما يسمح لأنظمة التعلم بالتعلم بشكل مباشر أكثر من الأهداف الحقيقية.
عنوان المدونة:
AutoML
واصلت Google التركيز على AutoML في عام 2019.
يعمل هذا النهج على أتمتة العديد من جوانب التعلم الآلي وغالبًا ما يؤدي إلى نتائج أفضل لأنواع معينة من القرارات الوصفية للتعلم الآلي ، مثل:
أظهر Google كيف يمكن استخدام تقنيات البحث عن العمارة العصبية لتحقيق نتائج أفضل في مشاكل رؤية الكمبيوتر ، وتحقيق 84.4 دقة على ImageNet مع معلمات أقل 8x من أفضل نموذج سابق.
عنوان المدونة:
تقدم Google طريقة بحث معمارية عصبية توضح كيفية العثور على نماذج فعالة تناسب مسرعات أجهزة معينة. وبالتالي ، يتم توفير نموذج تشغيل عالي الدقة ومنخفض الحوسبة للأجهزة المحمولة.
عنوان المدونة:
أظهر Google كيفية توسيع نطاق عمل AutoML ليشمل مجال نماذج الفيديو ، وإيجاد بنيات تحقق أحدث النتائج ، وبنيات خفيفة الوزن يمكن أن تتطابق مع أداء النماذج المصنوعة يدويًا.
والنتيجة هي تقليل الحساب بمقدار 50 ضعفًا.
عنوان المدونة:
طورت Google تقنية AutoML للبيانات الجدولية وتعاونت لإطلاق التكنولوجيا كمنتج جديد في جداول Google Cloud AutoML.
عنوان المدونة:
يوضح كيفية العثور على بنيات شبكة عصبية مثيرة للاهتمام دون استخدام أي خطوات تدريبية لتحديث أوزان النموذج الذي يتم تقييمه ، مما يجعل البحث عن البنية أكثر كفاءة من الناحية الحسابية.
عنوان المدونة:
تم استكشاف بنية مهمة اكتشاف البرمجة اللغوية العصبية. أداء هذه المهام أفضل بكثير من نموذج المحولات العادي ، وتقل التكلفة الحسابية بشكل كبير.
عنوان المدونة:
يوضح البحث أن طرق زيادة البيانات المكتسبة تلقائيًا يمكن توسيعها لتشمل نماذج التعرف على الكلام.
بالمقارنة مع طرق زيادة البيانات الحالية التي يقودها خبراء ML ، يمكن تحقيق دقة أعلى بكثير مع بيانات أقل.
عنوان المدونة:
إطلاق أول تطبيق للكلام يستخدم AutoML للتعرف على الكلمات الرئيسية واللغة المنطوقة.
في التجارب ، تم العثور على نماذج أفضل من التصاميم البشرية: أكثر كفاءة وأداء.
عنوان المدونة: https://www.isca-speech.org/archive/Interspeech_2019/abstracts/1916.html
فهم اللغة الطبيعية
لقد حققت نماذج فهم اللغة الطبيعية والترجمة والحوار الطبيعي والتعرف على الكلام والمهام ذات الصلة تقدمًا كبيرًا في السنوات القليلة الماضية.
أحد مواضيع عمل Google في 2019 هو:
قم بتحسين حالة الفن من خلال الجمع بين الأساليب أو المهام المختلفة لتدريب نماذج أكثر قوة.
على سبيل المثال ، يؤدي التدريب على الترجمات بين 100 لغة باستخدام نموذج واحد فقط (بدلاً من استخدام 100 نموذج مختلف) إلى تحسين جودة الترجمة بشكل كبير.
عنوان المدونة:
يوضح كيف يمكن أن يؤدي الجمع بين نماذج التعرف على الكلام واللغة وتدريب النظام على لغات متعددة إلى تحسين دقة التعرف على الكلام بشكل ملحوظ.
عنوان المدونة:
أثبتت الأبحاث أنه من الممكن تدريب نموذج مشترك للتعرف على الكلام والترجمة وإنشاء مهام تحويل النص إلى كلام.
وله أيضًا مزايا معينة ، مثل الحفاظ على صوت المتحدث في الصوت المترجم الذي تم إنشاؤه ، ونظام تعليمي أبسط بشكل عام.
عنوان المدونة:
يوضح البحث كيفية الجمع بين العديد من الأهداف المختلفة لإنتاج نماذج أفضل بشكل ملحوظ في الاسترجاع الدلالي.
على سبيل المثال ، اسأل في GoogleTalk to Books ، "ما الروائح التي تثير الذكريات؟"
والنتيجة هي ، "بالنسبة لي ، تذكرني رائحة الياسمين ورائحة صينية الخبز بطفولتي الخالية من الهموم."
عنوان المدونة:
أظهر كيف يمكن استخدام إجراءات التدريب العدائي لتحسين جودة ومتانة ترجمة اللغة بشكل كبير.
عنوان المدونة:
مع تطوير النماذج القائمة على seq2seq و Transformer و BERT و Transformer-XL و ALBERT ، تستمر قدرات تقنية فهم اللغة لدى Google في التحسن. وتم تطبيقه على العديد من المنتجات والوظائف الأساسية.
في عام 2019 ، أدى تطبيق BERT على خوارزمية البحث والتصنيف الأساسية إلى تحقيق أكبر تحسن في جودة البحث على مدار السنوات الخمس الماضية (وأحد أكبر التحسينات على الإطلاق).
تصور الآلة
تقدمت نماذج الفهم الأفضل للصور الثابتة بشكل ملحوظ خلال العقد الماضي.
ما يلي هو بحث Google الرئيسي في هذا المجال على مدار العام الماضي.
يتضمن فهماً أعمق للصور ومقاطع الفيديو ، وتصور الحياة والبيئة ، وتحديداً:
يتم التحقيق في الفهم البصري الدقيق في اللقطات ، مما يتيح البحث المرئي الأكثر قوة.
عنوان المدونة: https://www.blog.google/products/search/helpful-new-visual-features-search-lens-io/
عرض ميزات الكاميرا الذكية في Nest Hub Max مثل الإيماءات السريعة ومطابقة الوجه وتأطير مكالمات الفيديو الذكية.
عنوان المدونة: https://blog.google/products/google-nest/hub-max-io/
تمت دراسة نماذج أفضل للتنبؤ بعمق الفيديو.
عنوان المدونة: https://ai.googleblog.com/2019/05/moving-camera-moving-people-deep.html
يستخدم البحث اتساق الدورة الزمنية لمعرفة تمثيلات أفضل لفهم زمني دقيق لمقاطع الفيديو.
عنوان المدونة: https://ai.googleblog.com/2019/08/video-understanding-using-temporal.html
تعرف على التمثيلات في النص والكلام والفيديو المتسقة مؤقتًا مع الفيديو غير المصنف.
عنوان المدونة: https://ai.googleblog.com/2019/09/learning-cross-modal-temporal.html
من الممكن أيضًا توقع المدخلات المرئية المستقبلية من ملاحظات الماضي.
عنوان المدونة: https://ai.googleblog.com/2019/03/simulated-policy-learning-in-video.html
وإثبات أن النموذج يمكنه فهم تسلسل الأحداث في مقاطع الفيديو بشكل أفضل.
عنوان المدونة: https://ai.googleblog.com/2019/04/capturing-special-video-moments-with.html
تكنولوجيا الروبوت
يعد تطبيق التعلم الآلي في التحكم في الروبوت أحد مجالات البحث المهمة في Google. تعتقد Google أن هذه أداة مهمة في تمكين الروبوتات من العمل بفعالية في بيئات العالم الواقعي المعقدة مثل المنازل والشركات اليومية.
يتضمن عمل Google لعام 2019 في مجال الروبوتات ما يلي:
1. في التنقل بين الروبوتات عن بُعد باستخدام التعلم التعزيزي الآلي ، يوضح Google كيف أن الجمع بين التعلم المعزز والمشاريع البعيدة يمكّن الروبوتات من التنقل في البيئات المعقدة مثل مباني مكاتب Google بشكل أكثر كفاءة.
روابط ذات علاقة:
2 بوصة كوكب في ، يوضح Google كيفية تعلم نموذج عالمي بكفاءة من الصور فقط ، وكيفية استخدام هذا النموذج لإكمال المهام بأوقات تعلم أقل.
روابط ذات علاقة:
3. في TossingBot على الإنترنت ، توحد Google قوانين الفيزياء والتعلم العميق ، مما يسمح للروبوتات بتعلم مبادئ فيزيائية بديهية من خلال التجارب ، ثم رمي الأشياء في الصناديق وفقًا للقوانين المتعلمة.
روابط ذات علاقة:
4. في دراسة Soft Actor-Critic ، أوضح Google أن خوارزميات التعلم المعززة للتدريب يمكن تحقيقها إما عن طريق تعظيم المكافأة المتوقعة أو عن طريق تعظيم إنتروبيا السياسة.
يمكن أن يساعد هذا الروبوت على التعلم بشكل أسرع ويكون أكثر قوة تجاه التغييرات في البيئة.
روابط ذات علاقة:
5. طورت Google أيضًا خوارزمية تعلم ذاتية الإشراف للروبوتات ، مما يسمح للروبوتات بتعلم تجميع الأشياء بطريقة تخضع للإشراف الذاتي عن طريق تحليل الأشياء. يشير هذا إلى أن الروبوتات يمكن أن تتعلم من التفكيك بنفس الطريقة التي يتعلم بها الأطفال.
روابط ذات علاقة:
6. أخيرًا ، أطلقت Google أيضًا معيارًا للروبوتات منخفضة التكلفة روبيل ، منصة مفتوحة المصدر للروبوتات منخفضة التكلفة ، تساعد المطورين الآخرين على تطوير أجهزة روبوتية بشكل أسرع وأكثر سهولة.
روابط ذات علاقة:
الاحصاء الكمية
في عام 2019 ، قدمت Google صورة كبيرة عن الحوسبة الكمومية ، حيث أظهرت للعالم لأول مرة تفوق قدراتها: في مهمة حسابية ، تكون أجهزة الكمبيوتر الكمومية أسرع بكثير من أجهزة الكمبيوتر الكلاسيكية.
في الأصل ، يحتاج الكمبيوتر الكلاسيكي إلى حساب مهمة تبلغ 10000 عام ، ويمكن للكمبيوتر الكمومي إكمالها في 200 ثانية فقط. وظهرت الدراسة على غلاف عدد 24 أكتوبر من مجلة نيتشر لهذا العام.
قال بيتشاي ، الرئيس التنفيذي لشركة Google: "أهميته مثل أول صاروخ نجح في الهروب من جاذبية الأرض ويطير إلى حافة الفضاء."
تعمل Google أيضًا على تسهيل التعبير عن الخوارزميات الكمومية وتسهيل التحكم في الأجهزة ، ووجدت Google طرقًا لاستخدام تقنيات التعلم الآلي الكلاسيكية في الحوسبة الكمومية.
تطبيقات الذكاء الاصطناعي في التخصصات الأخرى
في تطبيق الذكاء الاصطناعي والتعلم الآلي في المجالات العلمية الأخرى ، نشرت Google العديد من الأوراق البحثية ، خاصة في مجال التعاون متعدد المنظمات.
الإجراءات: https://research.google/pubs/؟area=general-science
أبرز أحداث هذا العام:
إعادة بناء تلقائية ثلاثية الأبعاد لتفاعل دماغ الذبابة ، باستخدام نماذج التعلم الآلي لرسم خريطة دقيقة لكل خلية عصبية في دماغ الذبابة ، والتي يسميها جيف دين علامة فارقة في رسم خرائط بنية دماغ الذبابة.
المدونات ذات الصلة: https://ai.googleblog.com/2019/08/an-interactive-automated-3d.html
في تعلم طرق محاكاة أفضل للمعادلات التفاضلية الجزئية ، تستخدم Google التعلم الآلي لتسريع حسابات المعادلات التفاضلية الجزئية التي تقع في قلب المشكلات الحسابية الأساسية مثل تغير المناخ ، وديناميات السوائل ، والكهرومغناطيسية ، ونقل الحرارة ، والنسبية العامة.
تستخدم Google أيضًا نماذج التعلم الآلي لتحديد الروائح وشبكات GNN لتحديد البنية الجزيئية للتنبؤ بما تشبه رائحته.
التقارير ذات الصلة: ابتكرت Google صانع عطور يعمل بالذكاء الاصطناعي: ما عليك سوى إلقاء نظرة على التركيب الجزيئي لمعرفة رائحته
أيضًا في الكيمياء ، أنشأت Google إطارًا تعليميًا معززًا لتحسين الجزيئات.
أوراق ذات صلة: https://www.nature.com/articles/s41598-019-47148-x
فيما يتعلق بالإبداع الفني ، بذلت GoogleAI المزيد من الجهود ، مثل الأداء الفني لـ AI + AR
https://www.blog.google/outreach-initeatures/arts-culture/how-artists-use-ai-and-ar-collaborations-google-arts-culture/
أعد ترتيب الرقصة بالآلة:
https://www.blog.google/technology/ai/bill-t-jones-dance-art/
استكشاف جديد لتكوين الذكاء الاصطناعي:
https://www.blog.google/technology/ai/behind-magenta-tech-rocked-io/
كما أنه يزيد من متعة تكوين رسومات الشعار المبتكرة للذكاء الاصطناعي:
https://www.blog.google/technology/ai/honoring-js-bach-our-first-ai-powered-doodle/
تطبيق Mobile AI
يتمثل الكثير من ما تفعله Google في استخدام التعلم الآلي لمنح الهواتف المحمولة إمكانات جديدة. ويمكن تشغيل هذه الطرز على الهاتف المحمول ، ولا يزال من الممكن استخدام هذه الوظائف حتى إذا تم تشغيل وضع الطائرة.
الآن ، تم تنفيذ كل من نموذج التعرف على الكلام للهاتف المحمول ، والنموذج المرئي ، ونموذج التعرف على خط اليد.
المدونات ذات الصلة:
التعرف على الكلام https://ai.googleblog.com/2019/03/an-all-neural-on-device-speech.html النموذج المرئي https://ai.googleblog.com/2019/11/introducing-next-generation-on-device.html نموذج التعرف على خط اليد https://ai.googleblog.com/2019/03/rnn-based-handwriting-recognition-in.html
وفقًا لـ Dean ، فإن هذا يمهد الطريق لمزيد من الميزات الجديدة القوية.
بالإضافة إلى ذلك ، أبرز ما حققته Google على الهواتف المحمولة هذا العام:
وظيفة Live Caption ، والتي يمكنها تلقائيًا إضافة ترجمات إلى مقاطع الفيديو التي يتم تشغيلها بواسطة أي تطبيق على الهاتف.
المدونات ذات الصلة: https://ai.googleblog.com/2019/10/on-device-captioning-with-live-caption.html
يتيح لك تطبيق Recorder البحث عن محتوى صوتي مسجل بواسطة هاتفك.
المدونات ذات الصلة: https://ai.googleblog.com/2019/12/the-on-device-machine-learning-behind.html
تمت أيضًا ترقية وظيفة ترجمة الصور في Google Translate ، مما أضاف دعمًا للغات متعددة مثل العربية والهندية والماليزية والتايلاندية والفيتنامية ، وليس فقط ترجمات اللغة الإنجليزية ولغات أخرى ، ولكن أيضًا لغات أخرى غير الإنجليزية. ترجمة اللغة ممكنة أيضًا ، ويمكنها تلقائيًا العثور على مكان النص في إطار الكاميرا.
المدونات ذات الصلة: https://www.blog.google/products/translate/google-translates-instant-camera-translation-gets-upgrade/
كما أصدرت أيضًا واجهة برمجة تطبيقات لتحسين الوجه في ARCore لمساعدتك على تحقيق لعبة AR في الوقت الفعلي.
واجهة برمجة تطبيقات تحسين الوجه: https://developers.google.com/ar/develop/java/augmented-faces/
يوجد أيضًا التعرف على إيماءات الهاتف المحمول ، والذي يمكن استخدامه للتفاعل مع الإيماءات بعد القيام بذلك.
التقارير ذات الصلة: تعمل أداة التعرف على إيماءات المصدر المفتوح من Google على الهواتف المحمولة وتعمل بسلاسة وتحتوي على تطبيقات جاهزة ، لكننا كسرناها
تم أيضًا تحسين التعرف على إدخال الكتابة اليدوية على شاشات الهاتف باستخدام RNNs.
المدونات ذات الصلة: https://ai.googleblog.com/2019/03/rnn-based-handwriting-recognition-in.html
عندما يتعلق الأمر بالملاحة وتحديد المواقع ، غالبًا ما يكون نظام تحديد المواقع العالمي (GPS) تقريبيًا فقط ، ولكن يمكن للذكاء الاصطناعي أن يلعب دورًا رئيسيًا.
بالاقتران مع بيانات Google Street View ، أمسك الهاتف المحمول وأدره ، وسيصبح الهاتف المحمول صديقًا يتعرف على الطريق. وفقًا لعرض الشارع والخريطة ، سيوضح لك: أي مبنى هو هذا أي شارع هذا هذا هو الجنوب هذا الشمال ، يجب أن تذهب هنا.
المدونات ذات الصلة: https://ai.googleblog.com/2019/02/using-global-localization-to-improve.html
بالإضافة إلى ذلك ، من أجل ضمان خصوصية المستخدم ، تبحث Google أيضًا في التعلم الفيدرالي. الورقة التالية عبارة عن مقالة حول تقدم التعلم الفيدرالي الذي تم نسخه بواسطة فريق Google في عام 2019:
https://arxiv.org/abs/1912.04977
هناك أيضًا كليشيهات التقاط الصور بالهواتف المحمولة.وقد قامت Google بتحسين قدرة الصور الشخصية للهاتف المحمول في عام 2019.
المدونات ذات الصلة: https://ai.googleblog.com/2019/04/take-your-best-selfie-automatically.html
كما تم تعزيز وضعي Bokeh و Portrait في عام 2019.
المدونات ذات الصلة: https://ai.googleblog.com/2019/12/improvements-to-portrait-mode-on-google.html
كما تم تحسين تحدي المشهد الليلي بنجوم التصوير بشكل كبير ، كما تم نشر ورقة من SIGGRAPH Asia.
المدونات ذات الصلة: https://ai.googleblog.com/2019/11/astrophotography-with-night-sight-on.html
أوراق ذات صلة: https://arxiv.org/abs/1905.03277 https://arxiv.org/abs/1910.11336
الصحة والطب
كان عام 2019 أول عام كامل يختبره فريق Google Health.
في أواخر عام 2018 ، أعادت Google تنظيم فريق بحث Google الصحي ، و Deepmind Health ، وأقسام الأجهزة المتعلقة بالصحة لإنشاء فريق Google Health جديد.
1. في التشخيص والكشف المبكر عن الأمراض ، حققت Google عددًا من الإنجازات:
الكشف عن سرطان الثدي بنموذج التعلم العميق بدقة أعلى من الخبراء البشر ، والحد من الحالات الإيجابية الكاذبة والسلبية الكاذبة في التشخيص. ظهرت الدراسة للتو في مجلة Nature منذ وقت ليس ببعيد.
روابط ذات علاقة:
تساءل LeCun عن سرطان الثدي باستخدام الذكاء الاصطناعي في Google وهو يتفوق على البشر وتسبب في نقاش ، لكن قد لا تنطبق الفتيات ذوات الصدر المسطح
بالإضافة إلى ذلك ، حققت Google أيضًا بعض الإنجازات الجديدة في تشخيص أمراض الجلد ، والتنبؤ بإصابة الكلى الحادة ، والاكتشاف المبكر لسرطان الرئة.
2. تستخدم Google التعلم الآلي جنبًا إلى جنب مع التقنيات الأخرى في التقنيات الطبية الأخرى ، مثل إضافة تقنية عرض محسّنة إلى المجاهر لمساعدة الأطباء في تحديد مكان الآفات بسرعة.
روابط ذات علاقة:
فحص الوقت الحقيقي للخلايا السرطانية بالذكاء الاصطناعي ، ويمكن استخدام المجاهر العادية ببساطة عن طريق التعديل ، ظهر اختراق جديد لشركة Google في مجلة Nature الفرعية
قامت Google أيضًا ببناء أداة بحث صور مماثلة تتمحور حول الإنسان لأخصائيي علم الأمراض ، مما يسمح بفحص الحالات المماثلة لمساعدة الأطباء في إجراء تشخيصات أكثر فاعلية.
الذكاء الاصطناعي يساعد المعوقين
الذكاء الاصطناعي يقترب أكثر فأكثر من حياتنا. على مدار العام الماضي ، استخدمت Google الذكاء الاصطناعي لمساعدتنا في حياتنا اليومية.
يمكننا بسهولة رؤية الصور الجميلة ، أو سماع الأغاني المفضلة لدينا ، أو التحدث إلى أحبائنا ، إلا أن أكثر من مليار شخص حول العالم لا يستطيعون الوصول إلى هذه الطرق للتعلم عن العالم.
يمكن لتقنية التعلم الآلي أن تخدم الأشخاص ذوي الإعاقة من خلال تحويل هذه الإشارات السمعية البصرية إلى إشارات أخرى. تشمل تقنيات مساعد الذكاء الاصطناعي التي تقدمها Google ما يلي:
يساعد Lookout الأشخاص المكفوفين وضعاف البصر في التعرف على المعلومات المتعلقة بمحيطهم.
تقنية النسخ في الوقت الفعلي الكتابة الحية يساعد الأشخاص الصم أو ضعاف السمع في تحويل الكلام إلى نص بسرعة.
روابط ذات علاقة:
ليلة رأس السنة الجديدة من Google AI: جلب الفوائد التكنولوجية للصم ، والرسومات على الجدران في الصفحة الرئيسية بها مفاجآت
يتيح مشروع Euphonia إمكانية تحويل الكلام إلى نص بشكل شخصي. تعمل الدراسة على تحسين دقة التعرف التلقائي على الكلام للأشخاص الذين يعانون من تداخل الكلام بسبب حالات مثل ALS.
يوجد أيضًا مشروع Parrotron ، والذي يستخدم أيضًا شبكات عصبية شاملة للمساعدة في تحسين الاتصال ، لكنه يركز على تحويل الكلام إلى كلام.
بالنسبة للأشخاص المكفوفين وضعاف البصر ، تستخدم Google تقنية الذكاء الاصطناعي لإنشاء أوصاف للصور. يمكن لـ Chrome الآن إنشاء محتوى وصفي تلقائيًا عندما تواجه برامج قراءة الشاشة صورًا أو رسومات غير موصوفة.
Lens for Google Go ، أداة لقراءة النص في شكل صوتي ، تساعد بشكل كبير أولئك الأميين في الحصول على معلومات في عالم الكلمات.
الذكاء الاصطناعي من أجل الصالح الاجتماعي
قال جيف دين إن التعلم الآلي له آثار ضخمة في حل العديد من المشكلات الاجتماعية الكبرى ، وقد بذلت Google جهودًا في بعض مجالات المشكلات الاجتماعية ، وهي ملتزمة بتمكين الآخرين من حل هذه المشكلات بالإبداع والمهارات.
خذ الفيضانات ، على سبيل المثال ، التي تؤثر على مئات الملايين من الناس كل عام. تستخدم Google التعلم الآلي والحوسبة وقواعد بيانات أفضل لإجراء تنبؤات بالفيضانات وإرسال تنبيهات إلى ملايين الأشخاص في المناطق المتضررة.
حتى أنهم نظموا ورشة عمل ووجدوا العديد من الباحثين لحل هذه المشكلة.
المدونات ذات الصلة: https://www.blog.google/technology/ai/tracking-our-progress-on-flood-forecasting/ https://ai.googleblog.com/2019/09/an-inside-look-at-flood-forecasting.html https://ai.googleblog.com/2019/03/a-summary-of-google-flood-forecasting.html
بالإضافة إلى ذلك ، قامت Google أيضًا ببعض الأعمال المتعلقة بالتعلم الآلي وأبحاث الحيوانات والنباتات.
من خلال العمل مع سبع مجموعات للحفاظ على الحياة البرية ، استخدموا التعلم الآلي للمساعدة في تحليل بيانات صور الحياة البرية للعثور على مجتمعات الحياة البرية هذه.
المدونات ذات الصلة: https://www.blog.google/products/earth/ai-finds-where-the-wild-things-are/
تعمل Google أيضًا مع إدارة المحيطات والغلاف الجوي الأمريكية لاستخدام بيانات الصوت تحت الماء لتحديد موقع تجمعات الحيتان.
المدونات ذات الصلة: https://www.blog.google/technology/ai/pattern-radio-whale-songs/
أصدرت Google مجموعة من الأدوات لدراسة التنوع البيولوجي باستخدام التعلم الآلي.
المدونات ذات الصلة: سير عمل جديد لأبحاث التعلم الآلي التعاونية في التنوع البيولوجي https://ai.googleblog.com/2019/10/a-new-workflow-for-collaborative.html
كما قاموا بإجراء مسابقة Kaggle باستخدام رؤية الكمبيوتر لتصنيف الأمراض المختلفة على أوراق الكسافا. تعد الكسافا ثاني أكبر مصدر للكربوهيدرات في إفريقيا ، وتؤثر أمراض الكسافا على مشاكل سلامة الفيديو الخاصة بالناس.
https://www.kaggle.com/c/cassava-disease
تم أيضًا تحديث ميزة Timelapse في Google Earth ، ويمكنك أيضًا مشاهدة بيانات حول تحركات السكان والهجرات من هنا.
المدونات ذات الصلة: https://ai.googleblog.com/2019/06/an-inside-look-at-google-earth-timelapse.html https://ai.googleblog.com/2019/11/new-insights-into-human-mobility-with.html
من أجل التعليم ، أنشأت Google تطبيق Bolo بتقنية التعرف على الكلام لتوجيه الأطفال لتعلم اللغة الإنجليزية. تم نشر التطبيق محليًا ويمكن تشغيله دون اتصال بالإنترنت. وقد ساعد 800000 طفل هندي على القراءة والكتابة ، وقد قرأ الأطفال ما مجموعه مليار كلمة. في البرنامج التجريبي في 200 قرية في الهند ، حصل 64 من الأطفال على تحسين قدرتهم على القراءة.
يبدو أن نسخة Google من اللغة الإنجليزية بطلاقة.
المدونات ذات الصلة: https://www.blog.google/technology/ai/bolo-literacy/
بالإضافة إلى محو الأمية ، هناك مواضيع دراسية أكثر تعقيدًا مثل الرياضيات والفيزياء. ابتكرت Google تطبيق Socratic لمساعدة طلاب المدارس الثانوية على تعلم الرياضيات.
بالإضافة إلى ذلك ، من أجل جعل الذكاء الاصطناعي يلعب دورًا أكبر في الرفاهية العامة ، عقدت Google تحدي تأثير الذكاء الاصطناعي ، والذي جمع أكثر من 2600 اقتراح من 119 دولة.
في النهاية ، برز 20 اقتراحًا لحل القضايا الاجتماعية والبيئية الرئيسية. استثمرت Google 25 مليون دولار أمريكي (أكثر من 170 مليون يوان صيني) في هذه المقترحات وحققت بعض الإنجازات ، بما في ذلك:
أنشأت منظمة أطباء بلا حدود (MSF) تطبيقًا مجانيًا للهاتف المحمول يستخدم أداة التعرف على الصور لمساعدة الأطباء في العيادات الفقيرة على تحليل الصور المضادة للبكتيريا لتقديم المشورة للمرضى بشأن الأدوية التي يجب استخدامها ، ويجري بالفعل تجربة المشروع في الأردن.
تغطية مشروع منظمة أطباء بلا حدود: https://www.doctorwithoutborders.org/what-we-do/news-stories/news/msf-receives-google-grant-develop-new-free-smartphone-app-help
هناك مليار شخص في العالم يعيشون في مزارع صغيرة ، ولكن عندما تضرب الآفات والأمراض ، تنقطع.
لذلك تستخدم منظمة غير ربحية تسمى Wadhwani AI نموذج تصنيف الصور لتحديد الآفات في المزارع وتقترح أي مبيدات يجب رشها ومتى يتم تحسين غلة المحاصيل.
يعد قطع الأشجار غير القانوني للغابات الاستوائية المطيرة مساهمًا رئيسيًا في تغير المناخ. تستخدم منظمة تسمى Rainforest Connection التعلم العميق للكشف الصوتي الحيوي. مع بعض الهواتف المحمولة القديمة ، يمكنك تتبع صحة الغابات المطيرة واكتشاف التهديدات.
أدوات المطور تبني وتفيد مجتمع الباحثين
باعتبارها أكبر شركة ذكاء اصطناعي في العالم ، تعد Google أيضًا رائدة في المصادر المفتوحة ، وتستمر في التألق للمجتمع. من ناحية ، تركز على TensorFlow.
قال جيف دين إن العام الماضي كان عامًا مثيرًا لمجتمع المصادر المفتوحة بسبب إصدار TensorFlow 2.0.
هذه هي أول ترقية رئيسية لـ TensorFlow منذ إصدارها ، مما يجعل إنشاء أنظمة وتطبيقات ML أسهل من أي وقت مضى.
التقارير المتعلقة بالكم هي كما يلي:
صدر GoogleTF2.0 في الصباح الباكر! "غير كل شيء ، ادفع PyTorch"
في TensorFlow Lite ، أضافوا دعمًا لاستدلال GPU سريع الحركة ؛ وأصدروا Teachable Machine 2.0 ، والتي يمكنها تدريب نموذج التعلم الآلي بلمسة زر واحدة دون كتابة رمز.
التقارير المتعلقة بالكم هي كما يلي:
يصدر TensorFlow Lite تحديثًا رئيسيًا! دعم GPU المحمول ، زادت سرعة الاستدلال بمقدار 4-6 مرات
هناك أيضًا MLIR ، وهي أداة أساسية لمترجم التعلم الآلي مفتوحة المصدر تعالج تعقيد تزايد تجزئة البرامج والأجهزة ، مما يسهل بناء تطبيقات الذكاء الاصطناعي.
في NeurIPS 2019 ، أوضحوا كيفية استخدام JAX ، وهو نظام بحث تعلم آلي عالي الأداء ومفتوح المصدر:
https://nips.cc/Conferences/2019
بالإضافة إلى ذلك ، لديهم MediaPipe مفتوح المصدر ، وهو إطار عمل لبناء الإدراك والتطبيق متعدد الوسائط خطوط أنابيب ML:
https://github.com/google/mediapipe
ومكتبة مشغل استدلال الشبكة العصبية الفعالة للنقطة العائمة XNNPACK:
https://github.com/google/XNNPACK
بالطبع ، أصدرت Google أيضًا بعض الصوف للجميع.
وفقًا لجيف دين ، بحلول نهاية عام 2019 ، قاموا بتزويد أكثر من 1500 باحث حول العالم بإمكانية الوصول المجاني إلى Cloud TPU من خلال TensorFlow Research Cloud ، ودوراتهم التمهيدية على Coursera تضم أكثر من 100000 طالب ، وما إلى ذلك.
في الوقت نفسه ، قدم أيضًا بعض حالات "الدفء". على سبيل المثال ، بمساعدة TensorFlow ، اكتشف طالب جامعي كوكبين جديدين ووضع طريقة لمساعدة الآخرين على اكتشاف المزيد من الكواكب.
ويستخدم طلاب الجامعات TensorFlow لتحديد الحفر وشقوق الطرق الخطيرة في لوس أنجلوس ، من بين أشياء أخرى.
جانب آخر هو على مجموعات البيانات المفتوحة.
11 مجموعة بيانات مفتوحة
بعد إطلاق محرك بحث مجموعة البيانات في عام 2018 ، لا تزال Google تعمل بجد في هذا المجال هذا العام ، وهي تبذل قصارى جهدها للمساهمة في محرك البحث هذا.
في العام الماضي ، فتحت Google 11 مجموعة بيانات في مجالات مختلفة ، وسيتم إصدار الموارد أدناه ، يرجى الاحتفاظ بها ~
افتح الصور V5 ، بإضافة أقنعة التجزئة إلى مجموعة التعليقات التوضيحية ، يصل حجم العينة إلى 2.8 مليون ، تغطي 350 فئة ، تقارير كيوبت:
2.8 مليون عينة! تفتح Google أكبر مجموعة بيانات قناع تجزئة في التاريخ ، لتبدأ جولة جديدة من التحديات
مجموعة بيانات "الأسئلة الطبيعية" ، أول مجموعة بيانات تستخدم الاستعلامات التي تحدث بشكل طبيعي والعثور على إجابات من خلال قراءة صفحات كاملة ، بدلاً من استخراج الإجابات من مقتطف صغير ، 300000 زوج من الأسئلة والأجوبة ، BERT جميعها أقل من 70 نقطة ، تقارير Quantum Bit :
أصدرت Google السؤال الفائق الصعوبة للإجابة على مجموعة البيانات "الأسئلة الطبيعية": 300000 زوج من الأسئلة والأجوبة ، ولم يصل BERT إلى 70 نقطة
مجموعة بيانات لاكتشاف التزييف العميق:
https://ai.googleblog.com/2019/09/contributing-data-to-deepfake-detection.html
في بيئة محاكاة كرة القدم Google Research Football ، يمكن للوكيل اللعب بحرية في هذا العالم الشبيه بـ FIFA ومعرفة المزيد من مهارات اللعب. تقارير Qubit:
أنشأت Google ملعبًا افتراضيًا لكرة القدم للسماح لمنظمة العفو الدولية بالقيام بتدريب تعليمي معزز مثل FIFA Open source has API
مجموعة بيانات Landmark Google-Landmarks-v2: تتضمن 5 ملايين صورة ، عدد المعالم يصل إلى 200000 ، تقارير كيوبت:
5 ملايين صورة ، 200000 مشهد تاريخي ، أصدرت Google مجموعة كبيرة من البيانات
مجموعة بيانات YouTube-8M Segments ، وهي مجموعة بيانات تصنيف واسعة النطاق ومجموعة بيانات تعريب مؤقتة بما في ذلك تسميات تم التحقق منها بواسطة الإنسان بمستوى مقطع مدته 5 ثوانٍ لمقاطع فيديو YouTube-8M:
https://ai.googleblog.com/2019/06/announcing-youtube-8m-segments-dataset.html
مجموعة بيانات AVA Spoken Activity ، وهي مجموعة بيانات للحوار الإدراكي بالصوت متعدد الوسائط + الفيديو المرئي:
https://research.google.com/ava/
PAWS و PAWS-X: للترجمة الآلية ، تتكون كلتا مجموعتي البيانات من أزواج جمل منظمة للغاية مع تداخل معجمي عالٍ مع بعضها البعض ، وحوالي نصف الجمل لها تفسيرات متعددة اللغات مقابلة:
https://ai.googleblog.com/2019/10/releasing-paws-and-paws-x-two-new.html
اسمح لشخصين بإجراء محادثة ومحاكاة المحادثات البشرية من خلال مساعد رقمي. مجموعة بيانات لمحادثات اللغة الطبيعية:
https://ai.googleblog.com/2019/09/announcing-two-new-natural-language.html
معيار تعديل المهام المرئية: هذا هو معيار التكيف المرئي للمهمة الذي أطلقته Google ضد GLUE و ImageNet و Google.
يساعد المستخدمين على فهم أفضل للتمثيلات المرئية التي يمكن أن تعمم على المزيد من المهام الجديدة الأخرى ، وبالتالي تقليل متطلبات البيانات في جميع مهام الرؤية:
أكبر قاعدة بيانات عامة للحوارات الموجهة نحو المهام ، مجموعة بيانات الحوار الموجهة بالنمط ، مع أكثر من 18000 حوار عبر 17 مجالًا:
التوسع العالمي في Top Club Research و Google Research
وفقًا لإحصاءات Google الرسمية ، نشر Googler 754 بحثًا في العام الماضي.
كما قام جيف دين بإدراج بعض أفضل الألعاب:
يحتوي CVPR على أكثر من 40 ورقة ، ويحتوي ICML على أكثر من 100 ورقة ، ويحتوي ICLR على أكثر من 60 ورقة ، ويحتوي ACL على أكثر من 40 ورقة ، ويحتوي ICCV على أكثر من 40 ورقة ، ويحتوي NeurIPS على أكثر من 120 ورقة وما إلى ذلك.
كما عقدوا 15 ورشة عمل منفصلة في Google حول موضوعات تتراوح من تحسين الإنذارات العالمية بالفيضانات ، إلى كيفية استخدام التعلم الآلي لبناء أنظمة تخدم الأشخاص ذوي الإعاقة بشكل أفضل ، وتسريع تطوير الخوارزميات للمعالجات الكمية (NISQ) والتطبيقات والأدوات ، و اكثر.
لقد مولت أكثر من 50 طالب دكتوراه حول العالم من خلال برنامج منح الدكتوراه السنوي ، كما قدمت الدعم للشركات الناشئة ، إلخ.
وبالمثل ، في عام 2019 ، استمرت مواقع بحث Google في التوسع عالميًا ، وافتتحت مكتبًا للأبحاث في بنغالور. في الوقت نفسه ، أصدر Jeff Dean أيضًا طلب توظيف: إذا كنت مهتمًا ، تعال إلى الوعاء بسرعة ~
أخلاقيات الذكاء الاصطناعي
كما في السنوات السابقة ، يبدأ هذا التقرير بحقيقة أن جيف تحدث أولاً عن عمل Google في أخلاقيات الذكاء الاصطناعي.
يعد هذا أيضًا إعلانًا واضحًا عن ممارسات وأخلاقيات وتقنيات الذكاء الاصطناعي في Google من أجل الخير.
في عام 2018 ، أصدرت Google المبادئ السبعة للذكاء الاصطناعي وطبقت ممارسات تطبيقية حول هذه المبادئ. في يونيو 2019 ، سلمت Google نسخة توضح كيف يمكن تطبيق هذه المبادئ في البحث وتطوير المنتجات.
رابط التقرير: https://www.blog.google/technology/ai/responsible-ai-principles/
قال جيف دين إنه نظرًا لأن هذه المبادئ تغطي بشكل أساسي المجالات الأكثر نشاطًا في الذكاء الاصطناعي وأبحاث التعلم الآلي ، مثل التحيز في أنظمة التعلم الآلي ، والسلامة ، والإنصاف ، والموثوقية ، والشفافية والخصوصية ، وما إلى ذلك.
لذلك ، فإن هدف Google هو تطبيق التقنيات في هذه المجالات للعمل والاستمرار في إجراء البحوث لمواصلة تطوير التقنيات ذات الصلة.
من ناحية أخرى ، نشرت Google أيضًا العديد من الأوراق البحثية في المؤتمرات الأكاديمية مثل KDD19 و AIES 19 لاستكشاف عدالة نماذج التعلم الآلي وقابليتها للتفسير.
على سبيل المثال ، ادرس كيف يمكن لـ Activation Atlases المساعدة في استكشاف سلوك الشبكة العصبية وكيف يمكن أن تساعد في شرح نماذج التعلم الآلي.
روابط ذات علاقة: استكشاف الشبكات العصبية مع أطالس التنشيط https://ai.googleblog.com/2019/03/exploring-neural-networks.html
من ناحية أخرى ، أتت جهود Google تؤتي ثمارها ، وظهرت المنتجات بالفعل.
على سبيل المثال ، تم إصدار TensorFlow Privacy للمساعدة في تدريب نماذج التعلم الآلي المضمونة بالخصوصية.
روابط ذات علاقة: تقديم خصوصية TensorFlow: التعلم بخصوصية تفاضلية لبيانات التدريب https://blog.tensorflow.org/2019/03/introducing-tensorflow-privacy-learning.html
بالإضافة إلى ذلك ، أصدرت Google مجموعة بيانات جديدة للمساعدة في البحث في تحديد التزييف العميق.
روابط ذات علاقة: المساهمة بالبيانات في أبحاث اكتشاف التزييف العميق https://ai.googleblog.com/2019/09/contributing-data-to-deepfake-detection.html
التطلع إلى عام 2020 وما بعده
أخيرًا ، وقف جيف أيضًا على مسار التطوير خلال السنوات العشر الماضية وقدم نظرة مستقبلية على اتجاهات البحث في عام 2020 وما بعده.
قال إنه في العقد الماضي ، أحرزت مجالات التعلم الآلي وعلوم الكمبيوتر تقدمًا ملحوظًا ، ولدينا الآن أجهزة كمبيوتر أكثر قدرة من أي وقت مضى على رؤية اللغة وسماعها وفهمها.
مع وجود أجهزة الحوسبة المتطورة في جيوبنا ، يمكن تسخير هذه القدرات لمساعدتنا بشكل أفضل في العديد من مهام حياتنا اليومية.
لقد أعدنا تصميم منصة الحوسبة الخاصة بنا حول أساليب التعلم الآلي هذه من خلال تطوير أجهزة متخصصة تسمح لنا بمعالجة المشكلات الأكبر.
لقد غيرت هذه الطريقة طريقة تفكيرنا في أجهزة الحوسبة في مراكز البيانات ، وستستمر ثورة التعلم العميق في إعادة تشكيل طريقة تفكيرنا في الحوسبة وأجهزة الكمبيوتر.
في الوقت نفسه ، أشار أيضًا إلى أنه لا يزال هناك الكثير من القضايا العالقة. هذا أيضًا هو اتجاه بحث Google في عام 2020 وما بعده:
أولاً ، كيف تنشئ نظامًا للتعلم الآلي يمكنه التعامل مع ملايين المهام وإكمال المهام الجديدة تلقائيًا بنجاح؟
ثانيًا ، كيف يمكن تحقيق تقدم متطور في مجالات مهمة من أبحاث الذكاء الاصطناعي ، مثل تجنب التحيز ، وتحسين قابلية الشرح والفهم ، وتحسين الخصوصية ، وضمان الأمن؟
ثالثًا ، كيف يمكن تطبيق الحوسبة والتعلم الآلي لإحراز تقدم في مجالات علمية جديدة ومهمة؟ مثل علوم المناخ والرعاية الصحية والمعلوماتية الحيوية والعديد من المجالات الأخرى على سبيل المثال لا الحصر.
رابعًا ، فيما يتعلق بالأفكار والتوجيهات التي يتبعها مجتمع أبحاث التعلم الآلي وعلوم الكمبيوتر ، كيف يمكن التأكد من أن الباحثين الأكثر تنوعًا يقترحون ويستكشفون؟ كيف يمكننا دعم الباحثين الجدد من خلفيات متنوعة ودخول هذا المجال بشكل أفضل؟
أخيرًا ، ما رأيك في الاختراقات والتقدم الذي أحرزته Google AI في العام الماضي؟
مرحبًا بك في التفاعل في منطقة الرسائل ~
بوابة التقارير: https://ai.googleblog.com/2020/01/google-research-looking-back-at-2019.html
بوابة Google 2019 الورقية: https://research.google/pubs/؟year=2019
- ينهي -
Qubit QbitAI وقعت Toutiaohao على عقد
تابعنا وكن أول من يعرف آخر التطورات التكنولوجية
