لفريق أبحاث Google ، 2019 هو سنة مثيرة. تقوم Google Research بترويج البحوث التقنية بطرق مختلفة ، بما في ذلك نتائج ومنشورات أبحاث علوم الكمبيوتر الأساسية ، ودراسات متعددة في المجالات الناشئة في Google (مثل الرعاية الطبية والروبوتات) ، ومساهمات البرمجيات مفتوحة المصدر ، وفريق منتج Google في التعاون الوثيق ، كل هذه مصممة لتوفير أدوات وخدمات مفيدة. بعد ذلك ، سوف نركز على بعض أعمال معهد أبحاث Google في عام 2019.

تتمثل مهمة معهد Google للأبحاث في حل أنواع مختلفة من الوجود والأهمية الطويلة على المدى الطويل ، وذلك لتقديم مساعدة كبيرة وراحة لحياة الناس اليومية. في عام 2019 ، من أجل مواصلة تحقيق هذا الهدف ، حققنا عددًا من التقدم في مجموعة واسعة من مجالات البحث الأساسية ، بما في ذلك استخدام نتائج البحث في الحقول الناشئة مثل الرعاية الطبية والروبوتات ، وعدد كبير من المفتوح التعليمات البرمجية المصدر ، واستمر في التعاون مع فريق منتج Google. معًا لإنشاء أدوات وخدمات مختلفة يرغب المستخدمون في رؤيتها.

لقد وصلت في عام 2020. أعتقد أننا بحاجة إلى مراجعة البحث الذي أجري في العام الماضي ونتطلع إلى المشكلات التي يجب حلها في السنوات القليلة المقبلة. وبهذه الطريقة ، نأمل في حل الأعمال البحثية الرئيسية التي يقوم بها باحثو ومهندسي Google خلال هذه المقالة.

كيفية استخدام تقنية الذكاء الاصطناعي الأخلاقي

في عام 2018 ، أصدرنا مجموعة من مبادئ الذكاء الاصطناعي لإنشاء مجموعة من الأطر لتقييم التقنيات مثل التعلم المنتج. في يونيو 2019 ، أصدرنا تحديثًا مهمًا آخر ، على أمل شرح كيفية وضع هذه المبادئ موضع التنفيذ في دورة حياة البحث وتطوير المنتجات. نظرًا لأن هذا المبدأ يتضمن مجموعة واسعة من المجالات النشطة في مجتمعات أبحاث التعلم الآلي (مثل التحيز والسلامة والإنصاف ونظام المساءلة والشفافية والخصوصية في أنظمة التعلم الآلي) ، نأمل أن نستخدم التكنولوجيا الأكثر تقدماً في مختلف المجالات ، جنبًا إلى جنب مع نتائج بحثنا لتعزيز الابتكار التكنولوجي بشكل كبير.

على سبيل المثال ، في هذا العام ، نحن:

• نشرت ورقة بحثية عن أدوات شفافة ، وهي مسؤولة عن توفير بطاقات النماذج لمنتجات Cloud AI المختلفة. نعرض أيضًا مثال بطاقة النموذج لوظيفة اكتشاف كائن API المرئية YUN AI.

الروابط ذات الصلة: https://research.google/pubs/pub48120/

• كيفية المساعدة في استكشاف سلوكيات الشبكة العصبية وتحسين التفسير التوضيحي لنماذج التعلم الآلي.
• نشرت tensorflow pirvacy ، وهي مجموعة من مكتبات التعليمات البرمجية مفتوحة المصدر لتقديم آليات ضمان الخصوصية التفاضلية في تدريب نموذج التعلم الآلي.
• يتم الإعلان عن إصدار الإصدار التجريبي من مؤشرات الإنصاف من مؤشرات الإنصاف ، على أمل مساعدة ممارسي التعلم الآلي على اكتشاف العوامل غير العادلة أو غير المتوقعة في نموذج التعلم الآلي.

انقر فوق الجزء المقابل على شكل عمود في مؤشرات الإنصاف ، ويمكنك التحقق من جميع نقاط البيانات ذات الصلة في هذا الجزء في أداة What-If. في المثال أعلاه ، يعرض جميع نقاط البيانات مع علامات "أنثى".

• في KDD'19 ، ورقة حول كيفية دمج المقارنة والتنظيم في نظام توصية كبير من النطاق ، وبالتالي تحسين عدالة التعلم الآلي.
• نشرت ورقة عن AIES'19 ، والتي تستكشف بشكل رئيسي كيفية ضمان عدالة نظام تصنيف الإنتاج في أبحاث التعلم الآلي ، وفي الوقت نفسه يصف مؤشرات الإنصاف التي اعتمدناها -أي ، ظروف متساوية ، بشكل أساسي ، التأكيد على التوزيع تحت فرضية تكافؤ الفرص. الاختلاف.
• نشرت ورقة عن AIES19 لاستكشاف كيفية ضمان عدالة الحقائق في تصنيف النص. تقترح الورقة مثل هذا السؤال: "إذا كانت السمات الحساسة المذكورة في المثال ، فكيف ستتأثر نتائج التنبؤ؟" بناءً على ذلك ، نأمل في تحسين نظام الإنتاج لمراجعة المحتوى السيئ عبر الإنترنت.
• حرر مجموعة بيانات جديدة للمساعدة في تحديد Deepfakes التزوير.

تقنية الذكاء الاصطناعي التي تفيد المجتمع

التعلم الآلي لديه إمكانات كبيرة في حل مختلف القضايا الاجتماعية المهمة. لقد اكتشفنا أيضًا في هذا المجال ، ونحن ملتزمون بمساعدة الأشخاص على استخدام الإبداع والإنجازات التكنولوجية للتعلم الآلي لحل المزيد من المشكلات. يعتبر الفيضان أكثر كارثة طبيعية شيوعًا ومميتة على هذا الكوكب ، والتي تؤثر على حوالي 250 مليون شخص كل عام. نحن نستخدم مصادر بيانات التعلم الآلي ، والحوسبة ، ومصادر البيانات ذات الجودة العالية لجعل تنبؤات أكثر دقة للفيضانات ، ثم إرسال تنبيهات مجدية إلى الهواتف المحمولة لجميع السكان في المنطقة المصابة. عقدنا أيضًا ندوة لدعوة العديد من الباحثين الذين يتقنون المعرفة المهنية في جوانب التنبؤ بالفيضانات والهيدرولوجيا والتعلم الآلي للتجمع معًا لمناقشة إمكانية مزيد من التعاون بشأن القضايا المهمة للوقاية من الفيضانات والحوكمة.

بالإضافة إلى التنبؤ بالفيضانات ، قمنا بتطوير التكنولوجيا لفهم جميع أنواع الحيوانات والنباتات البرية في العالم بشكل أفضل. نحن نتعاون حاليًا مع سبعة حيوانات برية ومؤسسات للحماية من النباتات للمساعدة في تحليل بيانات الحيوانات البرية وبيانات النباتات التي اتخذتها الكاميرا ؛ التعاون مع الوضع الوطني للجو البحري لمساعدتهم في العثور على أنواع مختلفة من الحيتان وتسجيلها من الفيديو وتسجيلها لهم. الصوت تحت الماء. أنشأنا أيضًا ونشرنا مجموعة كاملة من الأدوات لتحقيق المزيد من أبحاث التنوع البيولوجي الجديد على أساس التعلم الآلي.

كجزء من ندوة الفئة البصرية السادسة ، أطلقت باحثو Google من غانااكلا وأعضاء مجموعة أبحاث علوم البيانات وجامعة MacReray تصنيفًا لآفات مصنع الكسافا. مسابقة Kaggle. يعد Cutchota ثاني أكبر مصدر للكربوهيدرات في إفريقيا ، وبالتالي فإن صحة مثل هذه النباتات مرتبطة بسلامة الأغذية في إفريقيا. يسعدنا أن نرى أكثر من 100 مشارك من 87 فريقًا ينضمون إلى المسابقة.

في عام 2019 ، قمنا أيضًا بتحديث timelapse Google Earth ، مما سمح للأشخاص بمراقبة التغييرات في الأرض خلال الـ 35 عامًا الماضية. بالإضافة إلى ذلك ، تعاوننا دائمًا مع الباحثين الأكاديميين ، على أمل استخدام طرق حماية الخصوصية الجديدة لفرز البيانات عن السيولة البشرية ، ثم تزويد المخططين الحضريين بالمعلومات المرجعية التي تقلل من انبعاثات الكربون وتحسين كفاءة الاستخدام البيئي.

نستخدم أيضًا التعلم الآلي لتعزيز تعليم الأطفال. تعتقد الأمم المتحدة أن 617 مليون طفل في العالم ليس لديهم قدرة على محو الأمية الأساسية ، وهذا سيحدد مباشرة نوعية حياتهم المستقبلية. من أجل مساعدة المزيد من الأطفال على تعلم القراءة ، يستخدم تطبيق Bolo الخاص بنا تقنية التعرف على الصوت لتوفير إرشادات للطلاب في الوقت الفعلي. من أجل تقليل عتبة الاستخدام ، قمنا بتحسين التطبيق للتأكد من أنه يمكن تشغيله دون اتصال في الهواتف المحمولة المنخفضة. في الهند ، ساعدت بولو 800000 طفل على قراءة القصص وقراءة مليار كلمة. تم تشجيع النتائج المبكرة: بعد طيار ثلاثة أشهر من 200 قرية في الهند ، بلغت نسبة قدرة القراءة بين المشاركين 64 .

بالنسبة للطلاب الأكبر سناً ، يمكن أن تساعد التطبيقات السقراطية طلاب المدارس الثانوية على حل الرياضيات والفيزياء وأكثر من 1000 قضية معقدة تتعلق بالتعليم الموضوع. يمكن لهذا التطبيق تلقائيًا تحديد المفاهيم الأساسية التي تنطوي عليها الموضوع وفقًا للصور والأسئلة اللفظية ، وربط الموارد عبر الإنترنت الأنسب. على غرار النموذج التعليمي لسقراط ، لا تجيب التطبيقات السقراطية بشكل مباشر على الأسئلة ، ولكنها توجه الطلاب لاكتشاف الإجابة بشكل مستقل. يسعدنا تعزيز تحسين الجودة التعليمية على مستوى العالم من خلال حلول Bolo و SoCratic.

بالإضافة إلى ذلك ، قررنا تقديم 25 مليون دولار للفائز بواسطة Google.org. الاستجابة الاجتماعية ضخمة ، وقد تلقينا أكثر من 2600 اقتراح من 119 دولة. في النهاية ، تبرز 20 منظمة مع قدرتها على حل المشكلات الاجتماعية والبيئية الرئيسية وتصبح أول دفعة من الهدايا لدينا. دعونا نتعرف على الخطة الممتازة التي جمعوها معًا:

• تأمل No Borders Doctor Foundation (MSF) في تطوير تطبيق مجاني للهاتف الذكي ، واستخدام أدوات التعرف على الصور لمساعدة الموظفين السريريين في مناطق الموارد (تجري حاليًا تجارب في الأردن) تحليل صور فيتامين المضادة للفيتامينات.
• في الوقت الحاضر ، لا يزال أكثر من مليار شخص يشاركون في العمالة الزراعية في شكل مستثمرين للبيع بالتجزئة. سيؤدي غزو الآفات إلى تدمير جميع المحاصيل وحتى رزقهم. يستخدم Wadhwani AI نماذج تصنيف الصور لتحديد الآفات ، ثم طرح الاقتراحات المتعلقة باختيار المبيدات وتوقيت الرش ، وساعد المزارعين أخيرًا على زيادة إنتاج المحاصيل.
• في أعماق الغابات المطيرة الاستوائية ، كان القطع غير القانوني دائمًا عاملاً مهمًا يؤثر على تغير المناخ. يستخدم Rainforest Connection التعلم العميق لمراقبة الصوت البيولوجي ، مع دعم استخدام الهواتف المحمولة القديمة المقضي لتتبع الحالة الصحية للغابات المطيرة الاستوائية واكتشاف أنشطة التهديد.

تطبيق تقنية الذكاء الاصطناعى في مجالات أخرى

يعد تطبيق تقنية الذكاء الاصطناعي في المجالات الأخرى أيضًا محور اهتمامنا العالي. لقد نشرنا عددًا كبيرًا من الأوراق من خلال التعاون متعدد الحلقات. تشمل الإنجازات المهمة لعام 2019:

• في الورقة "إعادة بناء ثلاثية الأبعاد التفاعلية لدماغ الذبابة" ، قمنا بتطوير نموذج للتعلم الآلي وقمنا بتعيين وتتبع التركيب الكامل لدماغ الذباب من خلال كل خلية عصبية.

عنوان الأطروحة: https://ai.googleblog.com/2019/08/an-automated-3d.html

• PDE PDE

https://ai.googleblog.com/2019/07/learning-better-simulation-methods-for.html

• GNN

https://ai.googleblog.com/2019/10/learning-to-smell-using-deep-learning.html

• AI AR J.S.

• Lookout Google Lens
• Live Transcribe
• Project Euphonia ALS ASR
• Project Euphonia Parrotron Parrotron
• Chrome
• Les for Google Go

2019

• Live Caption

• Recorder

• ARCore Augmented Faces API AR

• RNN

2015 2019 24

https://arxiv.org/abs/1912.04977

2019 Pixel Phone Night Sight

صحي

2018 Deepmind Health Google Health2019

• X

• Google HealthDeepMind Health VAAKI 48
• CT

• Verily
• لقد نشرنا ورقة بحثية حول تشخيص السرطان باستخدام مجهر الواقع المعزز. يمكن لعلماء الأمراض الحصول على ردود فعل حقيقية في الوقت المناسب على معلومات مهمة أخرى على الورقة الزجاجية أثناء فحص الأنسجة من خلال هذا المجهر.
• نقوم ببناء أداة بحث مماثلة للأشخاص لأفراد أخصائيي الأمراض ، مما يسمح لهم بإجراء تشخيص أكثر كفاءة عن طريق التحقق من حالات مماثلة.

الاحصاء الكمية

في عام 2019 ، أدرك فريق الحوسبة الكمومية لدينا "الهيمنة الكمومية" لأول مرة ، أي عندما كانت أجهزة الكمبيوتر الكم تؤدي مهمة معينة ، فقد أظهروا سرعة التنفيذ إلى أبعد من أقوى كمبيوتر كلاسيكي في العالم. عشرات الاثنين هي 200000 عام.

اليسار: معالج Sycamore في ترموستات ثابتة درجة الحرارة المنخفضة التي وصفها الفنان. اليمين: معالج Sycamore يلتقط صورًا حقيقية.

ستلعب أجهزة الكمبيوتر الكمومية دورًا مهمًا في مجالات علوم المواد والكيمياء الكمومية والتحسين الكبير ، ولكن من أجل تحقيق أهدافنا حقًا ، يجب علينا تعزيز التطور التكنولوجي. في الوقت الحاضر ، ينصب تركيزنا بشكل أساسي على تصحيح الأخطاء الكمومية. وهذا هو توسيع وقت تشغيل نظام الحوسبة الكمومية. نحاول أيضًا تبسيط التعبير عن الخوارزميات الكمومية وتحسين صعوبة التحكم في الأجهزة. وفي الوقت نفسه ، وجدنا أيضًا طريقة استخدام تكنولوجيا التعلم الآلي الكلاسيكي (مثل التعلم التعزيز العميق) لبناء معالج كمية عالي الموثوق . إنجازات 2019 مثيرة ، ونعتقد أن كل هذا سيضع أساسًا ثابتًا للتطبيق الواسع للحوسبة الكمومية.

من حيث الخوارزميات والنظرية العالمية ، تستمر الخوارزمية العامة والنظرية في المضي قدمًا في اتجاه أساس الخوارزمية والتطبيق ، وفي الوقت نفسه ، نستكشف أيضًا تعدين الرسوم البيانية والجوانب الأخرى.

لقد نشرنا أوراقًا بعنوان "رصيد تحميل Cache Perception" بعنوان "بكسل ذاكرة التخزين المؤقت لتطبيقات مركز البيانات" في VLDB 19. يبدو غامضًا بعض الشيء. ! " تقدم الورقة كيف نستخدم القسم المتوازن للرسم البياني لتحديد ذاكرة التخزين المؤقت في نظام خدمة البحث عن الويب مرة أخرى ، وبالتالي زيادة استفسارات برنامج تشغيل الفلاش بنسبة 48 ، وفي النهاية زيادة إنتاجية البحث الإجمالية للنهاية الخلفية.

الروابط ذات الصلة: src="https://image.gutx.org/5463/1319/1115659044.c273a2e0ae64a0654570868576e17946.jpg"/>

طلب Flash IO من عبور صفحة خدمة البحث على الويب (الناجم عن ذاكرة التخزين المؤقت لا يتم ضربها) الخريطة الساخنة. يمثل الحدبة الثلاثة اختيار الأوراق العشوائية ، وموازنة التحميل ، وتوازن التحميل المتصور (من اليسار إلى اليمين). يمثل كل خط 50 و 90 و 95 و 99.9 نسبة مئوية. أوراق VLDB 19 ، "ذاكرة التخزين المؤقت للتوعية بتطبيقات مركز البيانات"

في ورقة نشرت في ICLR 2019 بعنوان "New Bottle Old Wine: تعزيز التعلم ، اكتشاف خوارزميات التحسين الكلاسيكية" ، اكتشفنا علاقة جديدة بين الخوارزميات والتعلم الآلي ، مما يوضح كيفية تعزيز تعلم كيفية أن تكون كلاسيكيًا للعديد من الكلاسيكيات الكلاسيكية. عبر الإنترنت. عبر الإنترنت. تجد مشكلات مجموعة التحسين (مثل المطابقة والتوزيع عبر الإنترنت) أفضل خوارزمية أسوأ وأسوأ وموحدة.

الروابط ذات الصلة: https://openreview.net/pdf؟id=rkluj2r9kq

يتضمن عملنا على خوارزميات التلسكوب بشكل أساسي خوارزميات متوازية وموزعة على الإنترنت ومجموعات البيانات الكبيرة. في أحدث أوراق FOCS 19 ، وجدنا خوارزمية حوسبة متوازية كبيرة تقريبًا للمكونات المترابطة. مجموعة أخرى من الأوراق تحسن الخوارزميات المتوازية للمطابقة (بما في ذلك النظرية والممارسة) ومجموعات الكثافة. العمل الثالث هو تنفيذ التحسين التكيفي لوظيفة الأسلوب الفرعي في نموذج الصندوق الأسود. تحتوي هذه النماذج على مجموعة متنوعة من التطبيقات في اختيار الميزات وضغط المفردات. في أوراق الصودا 19 ، نقترح خوارزمية نموذجية آسيوية مثالية تقريبًا في الجوانب الرئيسية الثلاثة ، بما في ذلك عامل التقريب ، وتعقيد الإقامة ، وتعقيد الاستعلام. في أوراق أخرى في FOCS 2019 ، نقدم خوارزمية مماثلة لمجموعة PCA و Liezi.

الروابط ذات الصلة: https://arxiv.org/abs/1910.05385

في وظائف أخرى ، قدمنا نموذجًا للحوسبة شبه الإلكترونية. يفترض هذا النموذج أن المشهد المستقبلي غير المعروف يحتوي على أجزاء يمكن التنبؤ بها وأجزاء المواجهة. فيما يتعلق بمشكلات الجمع الكلاسيكية ، مثل مطابقة نقطة (ITCS 19) وذاكرة التخزين المؤقت (الصودا 20) ، يمكن لخوارزمية شبه الخطية التي وجدناها إكمال الاستيفاء السلس بين أفضل الخوارزميات عبر الإنترنت وغير المتصلة بالإنترنت.

يتضمن بحثنا الأخير في مجال خوارزميات السوق بشكل أساسي الفهم الأخير للتعلم والتفاعل في السوق ، والعديد من الابتكارات على مستوى التصميم التجريبي. على سبيل المثال ، تُظهر الأوراق الشفوية المنشورة في Neurips 19 ميزة تنافسية مذهلة للعوامل الاستراتيجية في لعبة الجانبين المتكررين التقليديين مقارنة بعوامل التعلم. في الآونة الأخيرة ، تسبب اهتمام أتمتة الإعلان أيضًا في أن يكون لنا اهتمام قوي بتحليل سلوك الاستجابة التلقائي للاستجابة للاستجابة. في Wine 2019 ، في ورقتين ، درسنا أفضل استراتيجية لزيادة معدل تحويل المعلنين إلى الحد الأقصى ، وقمنا بتحليل سلوك استجابة المعلنين لتغييرات مختلفة في عملية تقديم العطاءات. أخيرًا ، أجرينا تصميمًا تجريبيًا تحت فرضية الاحتفاظ بعوامل التداخل ، ووجدنا أن مجموعة من المعاملات يمكن أن تؤثر على نتائج المجموعة الأخرى. في أوراق KDD 19 و Neurips 19 ، نوضح كيفية تحديد الوحدة أو مجموعة الوحدة للحد من التداخل والحفاظ على القدرة التجريبية.

الروابط ذات الصلة: أوراق KDD 19 "أداء تصميم تجربة عشوائية من خلال المجموعة الجغرافية" مناسبة لدراسات استقصاء المستخدمين في الولايات المتحدة. يمكن لهذه الخوارزمية تحديد تكتلات المدينة الرئيسية تلقائيًا ، بما في ذلك التنبؤ الصحيح لسان فرانسيسكو وبيركلي وبالو ألتو المغطاة بمنطقة الخليج ، باستثناء ساكرامنتو.

خوارزمية التعلم الآلي

في عام 2019 ، درسنا في العديد من المجالات المختلفة في خوارزميات وأساليب التعلم الآلي. واحدة من النقاط الرئيسية هي فهم الطبيعة الديناميكية للتدريب في الشبكات العصبية. في "قياس بيانات الشبكة العصبية في تدريب متوازي" ، قدم باحثو Google مجموعة من النتائج التجريبية الصارمة ، مما يشير إلى أن تحجيم البيانات الموازي (زيادة حجم الدُفعات) يمكن أن يحسن من كفاءة التقارب للنموذج (باستخدام البيانات طريقة موازية) جوهر

روابط ذات علاقة: https://ai.googleblog.com/2019/03/measuring-limits-data-parald.html

من بين جميع أعباء العمل في الاختبار ، لاحظنا أن هناك ثلاث علاقات عامة رئيسية بين حجم الدُفعة وسرعة التدريب: الدفعة الصغيرة تتوافق مع التلسكوبي المثالي (على طول الخط المنقط) ، وستؤدي الزيادة الدفعة في النهاية إلى أ انخفاض في الدخل (الخط غير المُخفف) ، والحد الأقصى لعدد البيانات موازٍ للبيانات المتوازية. أعلى درجة (اتجاه مستقر). بين أحمال العمل المختلفة ، غالبًا ما يكون لنقطة الانتقال فرقًا كبيرًا.

بالمقارنة مع الطرق المتوازية التي توزع البيانات في أجهزة الحوسبة المتعددة ، فإن تمديد الموازي النموذج أفضل. GPipe هي مكتبة مماثلة لطريقة تشغيل معالج CPU Line ، والتي يمكن أن تحسن بشكل كبير من كفاءة موازاة النموذج: عندما يقوم جزء من النموذج بأكمله بمعالجة بيانات معينة ، يمكن لأجزاء أخرى التعامل مع البيانات الأخرى. يمكن دمج نتيجة طريقة خط التجميع هذه مرة أخرى لمحاكاة مهمة دفعة أكبر.

اتضح أن نموذج التعلم الآلي يمكنه الحصول على بيانات الإدخال الأصلية وتعلم نماذج التمثيل المتقدم المقابلة. يمكن استخدام هذه العروض في النهاية لتمييز سمات وفئات معينة (مثل القطط والشاحنات والأبقار وأنسجة السرطان والأنسجة الطبيعية ، إلخ .). في الوقت الحالي ، يتمثل محور تحسين خوارزميات التعلم الآلي في تشجيعهم على اكتشاف هذه التمثيلات المتقدمة ، وذلك لتعزيز القدرة على تعلم المزيد من الأمثلة أو المشكلات أو الحقول الجديدة. في عام 2019 ، أجرينا أبحاثًا حول هذا الأمر مع الخلفية التالية:

• في أوراق "غير خاضع للرقابة غير الخاضعة للإشراف عن طريق تقييم عدم وجود تشابك" ، ناقشنا السمات التي ستؤثر على أشكال التعبيرات في التعلم غير الخاضع للإشراف ، ونأمل في فهم العوامل التي يمكن أن تحقق تأثيرات أفضل وتعلم.
• في أوراق "الفجوة المتعددة في الشبكات العصبية العميقة" ، نجد أن الكميات الإحصائية التي يمكن استخدامها للتنبؤ بفجوة التعميم (أي ، أداء النموذج باستخدام بيانات توزيع التدريب ، والبيانات الفعلية ذات التوزيع المختلفة يمكن الحصول عليها. الفجوة الموجودة بين الأداء) تساعدنا على فهم النماذج بشكل أفضل للمواد التي لها تأثيرات تعميم أفضل. لقد أجرينا أيضًا سلسلة من الدراسات حول تحسين قدرات اكتشاف التوزيع في نماذج التعلم الآلي ، ونأمل في فهم النماذج التي بدأ النموذج فيها بشكل أفضل في قبول مختلف البيانات التي لم يسبق لها مثيل من قبل. لقد درسنا أيضًا التصنيف غير الاستراتيجي تحت خلفية التعلم ، ونأمل أن نفهم النماذج التي يمكن استخدامها لتلخيص أفضل النماذج.

• في الورقة "التعلم والإعانات في مكافأة تأديبية وغير متوقعة" ، درسنا وظيفة المكافأة المحددة لتعزيز أساليب التعلم ، والتي تهدف إلى تمكين نظام التعلم من التعرف بشكل مباشر أكثر من أهداف حقيقية دون الكثير من الوقت بسبب دورة الوقت. عوامل مثل تسلسلات العمل الطويلة وغير السليمة لا تتفق مع التوقعات.

في هذه التعليمات ، اتبعت المهمة ، وصلت مسار الإجراء A1 و A2 و A3 إلى أهداف ، لكن التسلسل A2 و A3 لم يتبعوا التعليمات بشكل صحيح. هذا يدل على أنه لا توجد مكافآت كافية.

السيارات

في هذا العام ، نواصل الترويج لعمل Automl لاستكشاف كيفية استخدام خوارزميات التعلم لزيادة الأتمتة الكلية للتعلم الآلي مع ضمان أن أنواع معينة من قرارات التعلم الآلي يمكن أن تجلب أفضل من خبراء التعلم الآلي الأعلى من الأعلى من TOP خبراء تعلم الآلات البشرية. النتائج الفعلية. تشمل محدد:

• في كفاءة: زيادة الدقة والكفاءة من خلال Automl and Model Bloom ، ونوضح كيفية استخدام تقنية البحث في العمارة العصبية للحصول على تحسن كبير في الجودة في رؤية الكمبيوتر ، أي أن الإنجازات في ImageNet تعادل أعلى معدل دقة. 84.4 ، والمعلمات الاستخدام تعادل واحد -الثامن من أفضل نموذج أصلي.

• EfficientNet-B0 AutoML MNAS Efficient-B1 B7 EfficientNet-B7 ImageNet 84.4% 97.1% CNN 1/8.4
• EfficientNet-EdgeTPU AutoML
• AutoML 50

TinvVideoNetTVNTVN-1 CPU 37 GPU 10 TVN-2 CPU 65 GPU 13

• AutoML Google Cloud AutoML Tables KaggleDays AutoML 74 AutoML Tables
• AutoML Transformer Transformer

• SpecAugment
• AutoML

:

• 100 100

• Google Talk to Books ?

• Lens
• Nest Hub Max
• Lens

إنسان آلي

:

• PlaNet
• TossingBot

• Soft Actor-Critic RL Policy Policy

• ROBEL Benchmark Benchmark

TensorFlow 2.0 TensorFlow ML TensorFlow Lite GPU Teachable Machine 2.0 MLIR AI

• JAX NeurIPS 2019 JAX JAX TPUs JAX
• MediaPipe XNNPACKMediaPipe ML 2019 1500 TensorFlow Research Cloud Cloud TPU Coursera TensorFlow 10 TensorFlow 11 TensorFlow World
• TensorFlow GAN TensorFlow TensorFlow TensorFlow TensorFlow

Google :

• Open Images V5 Open Images 350 280 900
• Deepfake FaceForensics benchmark Deepfake
• Google Research Football GOOOAAALLLSS
• Google-Landmarks-v2 200 500 2
• YouTube-8M Segments YouTube-8M 5
• AVAAVA AVA
• PAWS PAWS-X
• CCPE Taskmaster-1 Oz
• VTAB ImageNet GLUE
• 17 18000

2019

• CVPR 250 40+
• ICML 200 100+
• ICLR 200 60+
• ACL 100 40+
• INTERSPEECH100 30+
• ICCV 200 40+ ICCV
• NeurIPS 500 120

15 NISQ

50 2018 158

2019

2020

TPUv1 TPUv2 TPUv3 Edge TPU

2020

• ML
• كيف يمكننا تعزيز أحدث التقنيات في المجالات المهمة من الذكاء الاصطناعي ، مثل تجنب التحيز ، وزيادة التوضيح والتفاهم ، وتحسين الخصوصية وضمان الأمن؟ بينما نستخدم التعلم الآلي أكثر وأكثر في المجتمع ، سيصبح تقدم هذه الحقول حاسمة.
• كيف نستخدم الحوسبة والتعلم الآلي لإحراز تقدم في مجالات العلوم الجديدة المهمة؟ من خلال التعاون مع الخبراء في علوم المناخ والرعاية الطبية والمعلومات البيولوجية والخبراء في مجالات أخرى في العديد من المجالات الأخرى ، يمكن تحقيق تقدم مهم.
• كيف يمكننا التأكد من أن الأفكار والاتجاهات المتابعة في مجال التعلم الآلي وعلوم الكمبيوتر لها تنوع؟ إن العمل الذي أنجزه مجتمع أبحاث علوم الكمبيوتر والتعلم الآلي له أهمية كبيرة للمليارات. نأمل أن يكون الباحثون الذين يعملون في هذا العمل يمكنهم التعبير عن جميع الناس في وجهات نظر العالم والاهتمام والخلق والحماس ، مما يعني التنوع. كيف يمكننا دعم الباحثين الجدد من خلفيات مختلفة في هذا المجال؟

بشكل عام ، بالنسبة إلى Google والمزيد من مجتمعات البحث ، يعتبر 2019 عامًا مثيرًا. نحن على استعداد للترحيب بتحديات 2020 والمستقبل ، ونتطلع أيضًا إلى مشاركة تقدمنا مع الجمهور!