المصدر: نيو جي وون
هذه المقالة حول 3300 كلمات وأوصت القراءة 8 دقائق.
هذا المقال أعرض لكم لتعلم الآلة 2018 ومعظم اختراق مهم في مجال الذكاء الاصطناعي، وتنبأت 2019 تطوير AI.
عام 2018، أي مرحلة من مراحل التطوير لالذكاء الاصطناعي؟ قرة Dingdingyouming V-آمنوا الضجيج منظمة العفو الدولية ومنظمة العفو الدولية تهديدا في هذا العام وبارد، وسوف يكون هناك فصل الشتاء AI، ارتفاع درجات الحرارة إلى مجموعة متنوعة من إطار مفتوح المصدر، ومنظمة العفو الدولية 2019، ما رأيك؟
عام 2018، تعلم الآلة، وأكثر ما اختراقات مهمة في مجال الذكاء الاصطناعي هو؟
(هنا يمكنك تخصيص وقت كاف للتفكير.)
انظروا إلى جهة النظر الأخرى.
قبل، دعا KDnuggets 11 موظفا الصناعي والأكاديمي والتقني من خط الجبهة، واستعراض التقدم المحرز في منظمة العفو الدولية في عام 2018. الذي دعا لكبار الأكاديمي منع AI سوف يسقط على تسويق أستاذ مساعد جامعة كارنيجي ميلون زاكاري C. ليبتون يعتقد لا تقدم 2018 (التعلم العميق) أكبر قدر من التقدم.
في الآونة الأخيرة، في مقابلة مع مجلة فوربس 120 AI هو التنفيذيين مؤسس والصناعة، على أساس الوضع الراهن التقني والصناعي AI 2018 نيان على، نتطلع إلى الأمام إلى 2019، قدمت 120 التنبؤات.
كما هو الحال في السنوات السابقة، قرة Dingdingyouming كبيرة V، الباحث تعلم الآلة، الرئيس السابق الهندسة قرة كزافييه Amatriain وكتب أيضا أنه يعتقد أن أعظم تقدم في مجال التعلم الآلي ومجال الذكاء الاصطناعي عام 2018:
- منظمة العفو الدولية ومنظمة العفو الدولية الضجيج التهديد قد بردت.
- نشعر بالقلق الناس أكثر وأكثر عن العدالة، للتفسير أو العلاقة السببية المشاكل؛
- دراسة متعمقة سوف لا قاء الشتاء، وخارج تصنيف الصور (معالجة اللغة الطبيعية خصوصا) في حقل إنتاج والفوائد العملية.
- إطار AI المنافسة تحتدم، إذا كنت ترغب في تقديم شيء، أفضل لترك عدد قليل من الإطار الخاص بك.
نلقي نظرة.
دراسة متعمقة لفصل الشتاء لن يأتي، AI 2018 زوجا من الترقب والخوف قد سقطكما قال كزافييه Amatriain، فإنه لن يأتي إلى معرفة عمق الشتاء - وقد استخدمت هذه التقنية في صناعة وجلب المنافع، تسمح للناس لتصبح النتيجة الواقع على جزء من توقعات منظمة العفو الدولية والمخاوف، بدأت صناعة للتفكير البيانات عادلة المزيد من المشكلة الأساسية للمقاومة، وتفسيرها نموذج.
إذا كان 2017 أعتاب الضجيج الذكاء الاصطناعي والتهديد، ثم نبدأ 2018 يبدو لتهدئة السنة.
وعلى الرغم من المسك، الذي لا يزال حقا للتأكيد على خوفهم من الذكاء الاصطناعي، ولكنها قد تكون مشغولا بشؤون أخرى لحضور لهذه القضية.
وفي الوقت نفسه، فإن وسائل الإعلام والرأي العام هي تدرك أيضا أنه على الرغم من أن المركبات الذاتية وتقنيات مشابهة مقدما، ولكن لن يتم قريبا. ومع ذلك، لا يزال هناك معبرة عن دعمها لمنظمة العفو الدولية لتنظيم نفسها، كزافييه Amatriain نعتقد أن هذا الرأي غير صحيح، والسيطرة الحقيقية هي نتيجة لمنظمة العفو الدولية الذي تسببت فيه.
عمق التعلم: تفسيرها الحصول على المزيد من الاهتمام، NLP فاتحة ImageNet الوقتبالفعل قال بارد التكهنات حول منظمة العفو الدولية ومنظمة العفو الدولية تهديدا في الواقع أنه، وقال كزافييه Amatriain انه سعيد لرؤية يبدو التركيز هذا العام قد تحول إلى أكثر واقعية لحل المشاكل المذكورة أعلاه.
على سبيل المثال، تدور حول صناعة العدالة (الإنصاف) قدرا كبيرا من المناقشة، عقدت ليس فقط عددا من الاجتماعات المواضيع ذات الصلة (مثل FATML، ACM FAT)، وحتى ظهر في بعض الدورات على الانترنت.
في للتفسير (تفسيرها) ، خوارزمية أو نموذج فهم (شرح) و السببية (السببية) . هذا الأخير أصبح مرة أخرى محط اهتمام، وذلك أساسا بسبب نشر جوديا بيرل "كتاب لماذا" هذا الكتاب. ACM Recsys اجتماع على نظام التوصية، حصل أيضا على جائزة أفضل ورقة لمقال عن كيفية إدراج الأوراق السببية (السببية التضمينات لتوصيات) جزءا لا يتجزأ من.
أما وقد قلت ذلك، فإن العديد من مؤلفين آخرين يعتقدون أن العلاقة السببية إلى حد ما تتداخل مع عمق نظرية التعلم، علينا أن نركز مرة أخرى على قضايا أكثر تحديدا، مثل إمكانية تفسير أو شرح. يتحدث الشرح، واحدة من أبرز في هذا المجال هو على الارجح أوراق المرساة ورمز جامعة واشنطن ماركو توليو ريبيرو وآخرون، التي الجير تحسينات على نموذج المعروفة الخاصة المقترحة.
في حين تعلم عن عمق AI هو أكثر الأمثلة الشائعة على ذلك، لا يزال هناك العديد من الأسئلة (سؤال عد لي)؛ على الرغم من أن يان ليكون وغاري ماركوس هو ن ال المرة اثنين تم بحجة هذه المسألة، ولكن من الواضح أن الأمر لا يقتصر على عمق التعلم البقاء هنا.
خلال العام، وعمق التعلم خارج المجال البصري، بما في ذلك مجال اللغة، والرعاية الصحية، والتعليم، وحققت نجاحا غير مسبوق. وخاصة في مجال التعليم، المحليين والأجانب على التكيف التعلم (التعلم التكيفي) بشكل متزايد الناري، شخصية التكيف منصة التعلم لالسنجاب الصين AI (يي في التعليم)، ممثلة، أو حتى الذهاب إلى "آلة التعلم العراب" توم ميتشل كما كبير العلماء.
في الواقع، في مجال البرمجة اللغوية العصبية، ونحن نرى التقدم الأكثر إثارة هذا العام. إذا كان لدي لاختيار معظم التطبيقات AI مثيرة للإعجاب من هذا العام، لذلك خياراتي هي من مجال البرمجة اللغوية العصبية (وجميع من جوجل). وهو أول جوجل مفيدة السوبر سمارت يؤلف أدوات ذكية يؤلف رسالة، والثاني هو دوبلكس نظام الحوار.
فكرة استخدام نموذج اللغة لتسريع التقدم في البرمجة اللغوية العصبية، وفكرة هذا العام على الترويج لها من قبل Fast.ai من UMLFit. ثم، رأينا الأخرى (تحسين) طرق، مثل معهد ألين ELMO ، هو توسيع AI محولات ومؤخرا أصدرت جوجل بيرت تغلب عليه نتائج SOTA السابقة على العديد من المهام. يتم وصف هذه النماذج و "NLP هو ImageNet حظة" لأنها توفر عالمي نموذج ما قبل التدريب المتاحة بسهولة، كما يمكن أن يكون للقيام بمهام محددة ضبطها على ما يرام.
بالإضافة إلى نموذج لغة، وهناك العديد من التحسينات الأخرى المثيرة للاهتمام، مثل متعدد اللغات جزءا لا يتجزأ من الفيسبوك. ومن الجدير بالذكر أن نرى أيضا هذه وغيرها من الأساليب هو كيف بسرعة دمجها في إطار أعم من NLP، مثل زالاندو أو AllenNLP من FLAIR.
عندما يتعلق الأمر لتأطير هذا العام "حرب إطار منظمة العفو الدولية" كثفت بالفعل. والمثير للدهشة، مع الافراج عن Pytorch 1.0، يبدو Pytorch في اللحاق TensorFlow.
على الرغم من أن حالة Pytorch في الإنتاج لا تزال غير مثالية، ولكن يبدو التقدم Pytorch في هذا المجال لتكون أسرع من TensorFlow التقدم سهولة الاستخدام والتوثيق والتعليم. ومن المثير للاهتمام، واختيار Pytorch كإطار لتحقيق مكتبة Fast.ai من المرجح أن تلعب دورا هاما.
أما وقد قلت ذلك، وجوجل وكان على بينة من كل هذا، وتتقدم في الاتجاه الصحيح، على سبيل المثال، Keras في هذا الإطار. وأخيرا، يمكن أن نستفيد من كل هذه الموارد كبيرة، لذا يرجى الاستمرار في الوفاء بها في المستقبل!
في إطار الفضاء، تقدم بسرعة كبيرة هو آخر تعزيز التعلم .
على الرغم من أنني أعتقد أن التقدم RL ليس كما مثيرة للإعجاب كما هو الحال في السنوات السابقة (ظهرت في ذهني فقط DeepMind إمبالا العمل الأخير)، ولكن من المستغرب، في سنة واحدة، ولقد شهدنا جميعا يتم الافراج عن اللاعبين AI الرئيسي إطار RL.
أصدرت جوجل الدراسة إطار الدوبامين أصدرت Deepmind إلى بعض المنافسة ما مع الدوبامين إطار TRFL . الفيسبوك يتفوق عليها، صدر الأفق في حين أصدرت Microsoft TextWorld وهذا الأخير تدريب أكثر المتخصصة للنص القائم على وكيل. 2019 أمل كل هذه المزايا من المصادر المفتوحة يمكن أن تساعد في تحقيق مزيد من التقدم في مجال RL.
وأخيرا، ويسرني أن أرى أن أصدرت جوجل مؤخرا على TensorFlow TFRank . ترتيب ML هو تطبيق مهم جدا.
بيانات: تدريب الاصطناعية بيانات نموذج DLيبدو دراسة متعمقة للقضاء في نهاية المطاف الحاجة إلى بيانات ذكية، ولكن بعيدا عن الحقيقة.
حول فكرة تحسين البيانات، لا تزال هناك بعض التطورات مثيرة جدا للاهتمام في هذا المجال. على سبيل المثال، على الرغم من أن كان تعزيز البيانات حول لبعض الوقت، والعديد من التطبيقات هو المفتاح لDL، ولكن قد أصدرت جوجل هذا العام AutoAugment هذا هو تعزيز أسلوب عميق التعلم التي يمكن أن تعزز بيانات التدريب تلقائيا.
وهناك فكرة أكثر تطرفا هو استخدام نموذج بيانات التدريب DL الاصطناعية. وقد حاول هذا لبعض الوقت في الممارسة العملية، ويعتبر المفتاح لمستقبل من قبل العديد من منظمة العفو الدولية. نفيديا في شبكات ديب التدريب مع بيانات الاصطناعية وتقترح هذه الورقة فكرة جديدة مثيرة للاهتمام. في "التعلم من الخبراء" هذه الورقة، وتبين لنا كيفية توليد البيانات الاصطناعية باستخدام نظام خبير، ومن ثم الجمع بين البيانات الصناعية والبيانات الفعلية، استخدام البيانات لتدريب النظام DL.
وأخيرا، هناك فكرة مثيرة للاهتمام، وهي استخدام "ضعف الرقابة" للحد من الحاجة إلى عدد كبير من البيانات المسمى اليد. غص هو أهداف المشروع مثيرة جدا للاهتمام لتوفير إطار عمل مشترك لتسهيل هذا النهج.
لم أكن أرى الكثير من AI اختراق أكثر جوهرية. أنا لا أتفق تماما مع وجهة هينتون وجهة نظر، وقال: هذا يرجع إلى هذا النقص في الابتكار في هذا المجال، "المخضرم القليل جدا، صغير جدا"، على الرغم من وجود مثل هذا الاتجاه في العلم الذي غالبا ما يفتح آفاقا جديدة البحوث في أكثر اكتمال الشيخوخة.
في رأيي، والسبب الرئيسي لعدم وجود الحالي للاختراق والأساليب والمتغيرات الحالية لا تزال العديد من التطبيق العملي الفعال، هو مغامرة صعبة استخدام هذه الأساليب قد لا يكون عمليا. عندما كان معظم من البحوث في هذا المجال برعاية الشركات الكبيرة، وهذا هو المهم فقط أكثر من ذلك.
في هذا الصدد، وهذا العام هناك ورقة تحديا مثيرا للاهتمام بعض الافتراضات، بعنوان "تقييم التجربة العامة والنمذجة التفاف عودي شبكات لتسلسل" ( وتطبيقية تقييم الشبكات التلافيف والمتكررة عام للتسلسل النمذجة ). في التجريبية للغاية، وفي الوقت نفسه باستخدام أساليب معروفة، فتحت ورقة الباب لإيجاد طرق جديدة، لأنه يثبت يعتبر عموما أن يكون أفضل طريقة هي في الواقع ليست الأمثل.
أن تكون واضحة، أنا لا أتفق بالملل عرض يان ليكون، انه يعتقد ان الشبكة هو التفاف النهائي "الخوارزمية في نهاية المطاف" (خوارزمية الرئيسي)، ولكن أعتقد RNN لا.
حتى نمذجة السلسلة، هناك مسافة بحثي كبير! ورقة أخرى هي استكشافية للغاية أكثر NeurIPS الأخيرة أفضل ورقة "العصبية المعادلات التفاضلية العادية" أنه يتحدى بعض DL العناصر الأساسية، بما في ذلك مفهوم الطبقات نفسها.
2018، والتعلم الآلي والاصطناعية بطاقة تنمية المخابرات في مجموعة البيانات الواردة أعلاهبعد نقطة كزافييه Amatriain نظر، ونحن أيضا إضافة هذه:
2018، والتعلم الآلي والذكاء الاصطناعي في مجموعة بيانات البطاقة تقدم أعلاه.
لماذا تقول؟
أمس، أعلن تأسيس الشركات Graphext على آخر رديت على 2018 موقع النتائج رديت آلة التعلم تصنيف المحتوى في 2509 المشاركات التي تتجمع تحليل (انقر على "قراءة النص الأصلي" مشاهدة صورة بشكل اكبر):
(رديت على) موضوع الأكثر إثارة للقلق (يمثل 20) هي مجموعة البيانات، بما في ذلك البيانات التدريبية ومجموعات البيانات الكبيرة ومفتوحة المصدر، البيانات الجديدة والنماذج والعينات، وما إلى ذلك؛ تليها ورقة بحثية (المحاسبة عن 18)، بما في ذلك تكرار نتيجة والمسابقات Kaggle والعمل جوجل، FB، لتدريب مرة أخرى ( وهو ما يمثل 16).
على الرغم من أنها هي واحدة من الكلمات، ولكن تعكس نتائج التجميع أيضا المخاوف الحالية من آلة التعلم والممارسين الذكاء الاصطناعي إلى حد ما - بيانات! البيانات الكبيرة! المصدر المفتوح بيانات كبيرة!
لا عجب كما يقول العلماء زاكاري ليبتون، وهو أكبر تقدم في عام 2018، على عمق تعلم أن هناك أي تقدم - ما زلنا الاعتماد على البيانات الكبيرة، والبيانات الكبيرة وشركات كبيرة قابضة قوة جوجل، FB وغيرها من عمالقة على الأرجح إلى نتائج المنتجات، وملح إنتاج الخوارزميات ونماذج من المخاوف تعلم آلة أخرى تدريب المهندسين.
ما هو ردكم؟ مرحبا بكم في ترك رسالة في التعليقات!
- انتهى -تسينغهوا الانتباه - بيانات أكاديمية تشينغداو للعلوم قناة الصغرى الرسمية منصة الجمهور " بيانات الإرسال THU "أيتها الأخوات ولا". إرسال البيانات THU "لرعاية المزيد من المحاضرات ونوعية المحتوى.
